1 / 52

Assurances Climatiques Paramétriques

Assurances Climatiques Paramétriques. Speedwell Weather. Créée en 1999 – Bureaux UK & USA Données & Prévisions Météos Logiciel de gestion de portefeuille des assurances climatiques paramétriques Conseil. 5ème année consécutive

chana
Download Presentation

Assurances Climatiques Paramétriques

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Assurances ClimatiquesParamétriques

  2. Speedwell Weather • Créée en 1999 – Bureaux UK & USA • Données & PrévisionsMétéos • Logiciel de gestion de portefeuille des assurances climatiquesparamétriques • Conseil 5ème annéeconsécutive Best Global Weather Risk Management Advisory/Data Service 1er pour la 1ère année Weather Data Management

  3. Michael Moreno • Maitrise Maths, DEA Sciences Actuarielles et Financières • Doctorat en Finance de Marchés • Co-écrit 2 livres et publiésunedizained’articles • Marché climatiquedepuis 1999 • Directeur Speedwell – ResponsableEquipe R&D • Travailleactuellementsur les prévisionsmétéo et le marchéagricole • Particularité: 452ème sur 26500 participants - marathon natation Angleterre 2012 michael.moreno@SpeedwellWeather.com N’hésitez pas à me contactersur LinkedIn

  4. Sommaire • Définition • Etat du Marché • DonnéesClimatiques • Evaluation de contrat

  5. Assurance ClimatiqueParamétrique = DérivéClimatique avec des règlescomptables et légalesdifférentesmaisdont le nom fait moinspeurau législateur et aux clients Définition

  6. Exemplesd’AssurancesClimatiquesParamétriques

  7. Il s’agit de contratsparamétriques • Fonction de Paiementcontractuelle: Il n’y a pas d’expertise des dégâts • Risque de proxy: Il n’existe pas de stations météorologiques pour chaque champs agricoles • Risque de Modélisation: L’assurépeuttrèsbien ne pas avoirsubit de préjudice et recevoir un paiement et l’inversepeutaussi se produire • Paiementprévisible: Par exemple, on voit la sècheresse se développerchaque jour un peu plus + prévisionmétéo • Paiementtrèsrapide: 5 joursouvrés

  8. Quelquescontrats notables • Pluie / Pétrole – Amérique du Sud (~200M USD) • Température / Gaz – Europe (~200M EUR) • 200 stations – multi annuels – pluie / température – Afrique • Sècheresse d’un pays entier - Malawi – BanqueMondiale • Pluie en Inde (grand réseau de coopératives de très petites fermesagricoles)

  9. Weather Risk Management Association www.WRMA.org État du Marché

  10. Etat du Marché CME – ContratsListés • Croissanceannuellesubstantiellejusqu’en 2008 • Activité de Marché liée au marchéénergétique Gré à Gré • Croissancesaine et continue • Bonne diversification sectorielle: agriculture, énergie, construction, industrie et services

  11. QuelquesActeurs du Marché Climatique • Allianz • Celsius Pro • City Financial • Climate Corp • Coriolis • EDF Trading • Endurance Re • EON • JP Morgan • Guaranteed Weather (MSI) • Liberty • Morgan Stanley • Munich Re • Nephila • Renaissance Re • RWE • Swiss Re • Willis www.WRMA.org

  12. Surprises, surprises… DonnéesClimatiques

  13. Qu’est-cequ’unedonnéeclimatique? • Unemesureclimatiqueestdéfinie par: • Une station (lieu et instrumentation) • Un élémentclimatique (température, pluie, vent, humidité, pressionatmosphérique) • Une date et heured’enregistrement • Unepériode(donnéeinstantanéeouplagehoraire) • Type de donnée et qualité • La valeurmesurée • Information additionelle(observateurou instrumentation)

  14. Les conventions de mesurene sont pas uniformes Chaque pays et organisation a des conventions de lectures et de mesuresdifférentes. Les conventions ne sont pas constantesdans le temps Elleschangent: lecture humaine -> automatisées, de 6h à 6h -> de 9h à 9h, etc Les conventions en Allemagnesontparticulières, celles en France aussi, celles aux USA aussi, celles en Australieaussi, celles au Japonaussi… Il est impossible d’évaluer un contratou de signer un contratd’assuranceclimatique sans comprendreces conventions

  15. ExempleRoyaume-Uni CLIMATE TMIN CLIMATE TMAX SYNOP TMIN SYNOP TMAX 18 06 00 06 18 06 00

  16. Exemple France CLIMATE TMAX & PLUIE CLIMATE TMIN 18 06 00 06 18 00

  17. ExempleAllemagne Climate Tmin, Tmax, Pluie 00 00 À partir de 2001 Seulement!

  18. GSOD – Une base de donnéesclimatiquesgratuite • GSOD (Global Summary Of Day) estune base de donnéesclimatiquesreconstruitesgratuite. Vent – Aéroport de Dublin Pluie - Chine Erreurstrèsfréquentes 2012 Erreurcumulée = 22% En bleu: donnéesofficielles En rouge: données GSOD Cette base contient de nombreuses ‘limitations’

  19. DonnéesNettoyées Speedwell traite + de 100 000 fichiers de données par jour Environ 2% des donnéessonterronnées Environ 3% de donnéesmanquantes Donnéesofficiellessontdifficilementutilisables pour les contratsd’assuranceclimatique Type d’erreur: pluie: -2992mm - donnéeclimatiqueofficielle QC2!

  20. InventaireDonnées Speedwell100 000 stations - 10 000 nettoyées / jour

  21. Discontinuités et donnéesrecalibrées Changementsjamaisenregistrésdans les Métadonnées • Herbe au sol remplacée par macadam • Changementd’utilisationhumaine à proximité (example: aire de parking d’avionsdéplacée à 3m des instruments) • Peinture blanche sur le toitremplacée par de la peinture noire • Nouveau bâtimentconstruitassezproche Changementsparfoisenregistrésdans les Métadonnées • Les stations sontdéplacées (assezfréquentdans les aéroports!) • Les instruments sontremplacés

  22. Aéroport = Mini VilleExample Kansas City 1990 -> 2012

  23. Oh la belle discontinuité!

  24. La listeest longue…

  25. Donnéesrecalibrées = recalibrées aux conditions actuelles de la station

  26. Plus belle discontinuité ? Station COOP USA 10 F ! Cause: Arbre coupé !

  27. Règled’or: Ne jamaisévaluer un contrat sans comprendre les données au préalable Evaluation

  28. Fair Value • Problème:

  29. 3 Méthodes Burn Où Actuarielle estsupposéeconnue (best fit – Maximum de Vraisemblance, etc) estrésoluenumériquement Simulation journalière / horaire de l’élément Où

  30. Tendance des données • TendanceMensuelle • Régression Locale à Poids Variables (LOWESS)

  31. Quelle Distribution?

  32. Simulation de la température • Saisonalité(t)+Tendance(t)+sig(t).P(t) • Où P(t) est un processus à mémoire longue et sig(t) unefonction de type sinusoide • AR(p): OK - Pas idéal • MA(q): non • SARIMA: Non • ARFIMA (Fractionally Integrated): Mieux • ARFIMA-FIGARCH: Encore un peumieux

  33. La saisonnalitén’est pas unesinusoide • Mémoire longue • Forte saisonnalité de la distribution des résidus

  34. Les résidussontnormalementdistribués et non corrélés • Tout est parfait • Cela Marche à Merveille

  35. En fait les résidusne sont pas normalementdistribués !

  36. Simulation dans SWS ? Bootstrapping de sérietemporelle !

  37. Simulation de la Pluie Les donnéesjournalières de pluiesonttronquées et censurées Ces 4 cas (et biend’autres!) sontindiscernables La troncature et la censure des donnéescréentune forte autocorrélation des données et de la probabilitéqu’ilpleuve

  38. Probabilitéqu’ilpleuve Problématique Simulerl’évènementilpleut (Xt=1) / il ne pleut pas (Xt = 0) Ensuiteilfautestimer la Magnitude en fonction de s’il a plu la veille et s’ilvapleuvoir le lendemain pt = Prob(Xt = 1 | Xt-1, Xt-2, Xt-3,…, Xt-k), k  IN*.

  39. Quel Lag (k) ? k=1

  40. 4 Probabilités (x365) et 4 Densités à estimer (x 12!)

  41. Quelquesproblèmes A certainsendroits, ilpleut plus souvent en fin de semaine Il existeune station oùil ne pleut pas le samedi et le dimanche

  42. Simulerc’estbienmais • Une station, 1 élémentjournalier: OK • Multi stations – multi éléments = problème physique – pas mathématique – simulations ne marchent pas • La méthodeactuarielleest en revanchetoujoursvalideet ilest possible de: • tester la robustesse de l’évaluation à l’aide de scénariosclimatiques (El Nino, La Nina, AO, etc) • D’intégrer les données de Marché => ApprocheFinancièrecourbes et distributions implicites • PrévisionMétéo

  43. PrévisionsMétéorologiques Downscaling: (WikiPedia) downscaling methods are used to obtain local-scale surface weather from regional-scale atmospheric variables En language statistiquesimplificateur: Correction de biais

  44. PrévisionsProbabilistiques Prévisiond’ensemble ECMWF: 00Z + 12Z ECMWF Ensemble: 51 Membres GFS: 00Z + 06Z + 12Z + 18Z GFS Ensemble : 21 Membres

  45. Les prévisions Downscaled sont en fait excellentes 1 Jour ErreurMoyenne 0.06 Contre 1.45 Erreur ABS 0.74 Contre 3.27

  46. Même à 5 jours… 5Jours ErreurMoyenne -0.12 Contre 1.83 Erreur ABS 1.31 Contre 3.22

  47. Même à 1 mois! Principal Avantage: Physiquement, géographiquement et météorologiquement cohérent pour tous les éléments Moyenterme (0 à 15 jours) -> Prévisionmétéorologique Long terme (mois / saison) -> Prévisionclimatologique 10-15 jours Météo Mensuelle-> Climatologie (plus chaudou plus froidque la normale)

  48. Incorporation des Prévisionsdansl’évaluation Scénario: froid / chaud Nombre de jours Poids StDev etc Les payoffs des contratsétantsouvent non linéaires la moyenne des prix pour chaquemembren’est pas égale au prix estimé à partir de la prévisionmoyenne

  49. Vérifications de Prévisions • Les prévisionssontuniformes. Par exemple de minuit à minuitheure locale standardesoubienprévisionssynoptiques. • Les conventions de mesures de données et les prévisions ne correspondent pas en général. • Vérifier les prévisionsd’ensemble (i.e. probabilistiques) avec les donnéesmesuréesn’estvraiment pas un problème simple.

  50. Exempled’uneprévision avec erreur de timingParis Orly 1/1/2013 – 00Z Erreur de Timing Erreur de Prévision? Bon niveau de confiance Prévision météorologique Prévisionclimatique “plus froidque la moyenne”

More Related