La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Assurances Climatiques Paramétriques

Présentations similaires


Présentation au sujet: "Assurances Climatiques Paramétriques"— Transcription de la présentation:

1 Assurances Climatiques Paramétriques

2 Speedwell Weather Créée en 1999 – Bureaux UK & USA
Données & Prévisions Météos Logiciel de gestion de portefeuille des assurances climatiques paramétriques Conseil 5ème année consécutive  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 publiés une dizaine d’articles Marché climatique depuis 1999 Directeur Speedwell – Responsable Equipe R&D Travaille actuellement sur les prévisions météo et le marché agricole Particularité: 452ème sur participants - marathon natation Angleterre 2012 N’hésitez pas à me contacter sur LinkedIn

4 Sommaire Définition Etat du Marché Données Climatiques
Evaluation de contrat

5 Assurance Climatique Paramétrique = Dérivé Climatique avec des règles comptables et légales différentes mais dont le nom fait moins peur au législateur et aux clients Définition

6 Exemples d’Assurances Climatiques Paramétriques
Pluie - agriculture Température + Humidité relative – Indice de misère – demande électricité USA Vent – production d’électricité - éolienne Pour chaque période de 4 jours ou plus durant laquelle il pleut moins de 2mm, le paiement final est égal au nombre de jours sans pluie au cours de ces périodes multiplié par X Euros. Pour chaque heure ou la température est supérieure à 95 F et l’humidité relative supérieure à 90%, le paiement final est de X USD. Si la production MW.H-1 moyenne à la fin du mois est inférieure à un certain seuil => paiement d’une compensation. Le contrat est lié à la courbe de production d’électricité du type d’éolienne installée.

7 Il s’agit de contrats paramétriques
Fonction de Paiement contractuelle: 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’assuré peut très bien ne pas avoir subit de préjudice et recevoir un paiement et l’inverse peut aussi se produire Paiement prévisible: Par exemple, on voit la sècheresse se développer chaque jour un peu plus + prévision météo Paiement très rapide: 5 jours ouvrés

8 Quelques contrats 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 – Banque Mondiale Pluie en Inde (grand réseau de coopératives de très petites fermes agricoles)

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

10 Etat du Marché CME – Contrats Listés
Croissance annuelle substantielle jusqu’en 2008 Activité de Marché liée au marché énergétique Gré à Gré Croissance saine et continue Bonne diversification sectorielle: agriculture, énergie, construction, industrie et services

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

12 Surprises, surprises… Données Climatiques

13 Qu’est-ce qu’une donnée climatique?
Une mesure climatique est définie par: Une station (lieu et instrumentation) Un élément climatique (température, pluie, vent, humidité, pression atmosphérique) Une date et heure d’enregistrement Une période (donnée instantanée ou plage horaire) Type de donnée et qualité La valeur mesurée Information additionelle (observateur ou instrumentation)

14 Les conventions de mesure ne sont pas uniformes
Chaque pays et organisation a des conventions de lectures et de mesures différentes. Les conventions ne sont pas constantes dans le temps Elles changent: lecture humaine -> automatisées, de 6h à 6h -> de 9h à 9h, etc Les conventions en Allemagne sont particulières, celles en France aussi, celles aux USA aussi, celles en Australie aussi, celles au Japon aussi… Il est impossible d’évaluer un contrat ou de signer un contrat d’assurance climatique sans comprendre ces conventions

15 Exemple Royaume-Uni CLIMATE TMIN CLIMATE TMAX 06 18 00 06 18 00 06
SYNOP TMIN SYNOP TMAX 06 18 00 06 18 00 06

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

17 Exemple Allemagne Climate Tmin, Tmax, Pluie 00 00
À partir de 2001 Seulement!

18 GSOD – Une base de données climatiques gratuite
GSOD (Global Summary Of Day) est une base de données climatiques reconstruites gratuite. Vent – Aéroport de Dublin Pluie - Chine Erreurs très fréquentes 2012 Erreur cumulée = 22% En bleu: données officielles En rouge: données GSOD Cette base contient de nombreuses ‘limitations’

19 Données Nettoyées Speedwell traite + de fichiers de données par jour Environ 2% des données sont erronnées Environ 3% de données manquantes Données officielles sont difficilement utilisables pour les contrats d’assurance climatique Type d’erreur: pluie: mm - donnée climatique officielle QC2!

20 Inventaire Données Speedwell 100 000 stations - 10 000 nettoyées / jour

21 Discontinuités et données recalibrées
Changements parfois enregistrés dans les Métadonnées Les stations sont déplacées (assez fréquent dans les aéroports!) Les instruments sont remplacés Changements jamais enregistrés dans les Métadonnées Herbe au sol remplacée par macadam Changement d’utilisation humaine à proximité (example: aire de parking d’avions déplacée à 3m des instruments) Peinture blanche sur le toit remplacée par de la peinture noire Nouveau bâtiment construit assez proche

22 Aéroport = Mini Ville Example Kansas City 1990 -> 2012

23 Oh la belle discontinuité!

24 La liste est longue…

25 Données recalibrées = recalibrées aux conditions actuelles de la station

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

27 Règle d’or: Ne jamais évaluer un contrat sans comprendre les données au préalable
Evaluation

28 Fair Value 𝐹𝑉= 𝑃𝑎𝑦𝑜𝑓𝑓 𝑥 𝑑𝜇(𝑥) Problème: 𝜇=?

29 3 Méthodes Burn Actuarielle
𝐹𝑉= 1 𝑁 𝑖=1 𝑁 𝑃𝑎𝑦𝑜𝑓𝑓 𝐼𝐻 𝑖 Où 𝐼𝐻 𝑖 𝑒𝑠𝑡 𝑙𝑎 𝑣𝑎𝑙𝑒𝑢𝑟 𝑑𝑒 𝑙 ′ 𝑖𝑛𝑑𝑖𝑐𝑒 ℎ𝑖𝑠𝑡𝑜𝑟𝑖𝑞𝑢𝑒 𝑝𝑜𝑢𝑟 𝑙 ′ 𝑎𝑛𝑛é𝑒 𝑖 Actuarielle 𝜇 est supposée connue (best fit – Maximum de Vraisemblance, etc) 𝐹𝑉= 𝑃𝑎𝑦𝑜𝑓𝑓 𝑥 𝑑𝜇(𝑥) est résolue numériquement Simulation journalière / horaire de l’élément 𝐹𝑉= 1 𝑁 𝑖=1 𝑁 𝑃𝑎𝑦𝑜𝑓𝑓 𝐼𝑆 𝑖 Où 𝐼𝑆 𝑖 𝑒𝑠𝑡 𝑙𝑎 𝑖è𝑚𝑒 𝑣𝑎𝑙𝑒𝑢𝑟 𝑑𝑒 𝑙 ′ 𝑖𝑛𝑑𝑖𝑐𝑒 𝑠𝑖𝑚𝑢𝑙é

30 Tendance des données Tendance Mensuelle
Régression Locale à Poids Variables (LOWESS)

31 Quelle Distribution?

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

33 La saisonnalité n’est pas une sinusoide
Mémoire longue Forte saisonnalité de la distribution des résidus

34 Les résidus sont normalement distribués et non corrélés
Tout est parfait Cela Marche à Merveille

35 En fait les résidus ne sont pas normalement distribués !

36 Simulation dans SWS ? Bootstrapping de série temporelle !

37 Simulation de la Pluie Les données journalières de pluie sont tronquées et censurées Ces 4 cas (et bien d’autres!) sont indiscernables La troncature et la censure des données créent une forte autocorrélation des données et de la probabilité qu’il pleuve t-1 t t+1

38 Probabilité qu’il pleuve
Problématique Simuler l’évènement il pleut (Xt=1) / il ne pleut pas (Xt = 0) Ensuite il faut estimer la Magnitude en fonction de s’il a plu la veille et s’il va pleuvoir 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 Quelques problèmes A certains endroits, il pleut plus souvent
en fin de semaine Il existe une station où il ne pleut pas le samedi et le dimanche

42 Simuler c’est bien mais
Une station, 1 élément journalier: OK Multi stations – multi éléments = problème physique – pas mathématique – simulations ne marchent pas La méthode actuarielle est en revanche toujours valide et il est possible de: tester la robustesse de l’évaluation à l’aide de scénarios climatiques (El Nino, La Nina, AO, etc) D’intégrer les données de Marché => Approche Financière courbes et distributions implicites Prévision Météo

43 Prévisions Météorologiques
Downscaling: (WikiPedia) downscaling methods are used to obtain local-scale surface weather from regional-scale atmospheric variables En language statistique simplificateur: Correction de biais

44 Prévisions Probabilistiques
Prévision d’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 Erreur Moyenne 0.06 Contre 1.45 Erreur ABS 0.74 3.27

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

47 Même à 1 mois! Principal Avantage: Physiquement, géographiquement et météorologiquement cohérent pour tous les éléments Moyen terme (0 à 15 jours) -> Prévision météorologique Long terme (mois / saison) -> Prévision climatologique 10-15 jours Météo Mensuelle -> Climatologie (plus chaud ou plus froid que la normale)

48 Incorporation des Prévisions dans l’évaluation
Scénario: froid / chaud Nombre de jours Poids StDev etc Les payoffs des contrats étant souvent non linéaires la moyenne des prix pour chaque membre n’est pas égale au prix estimé à partir de la prévision moyenne

49 Vérifications de Prévisions
Les prévisions sont uniformes. Par exemple de minuit à minuit heure locale standardes ou bien prévisions synoptiques. Les conventions de mesures de données et les prévisions ne correspondent pas en général. Vérifier les prévisions d’ensemble (i.e. probabilistiques) avec les données mesurées n’est vraiment pas un problème simple.

50 Exemple d’une prévision avec erreur de timing Paris Orly 1/1/2013 – 00Z
Erreur de Prévision? Bon niveau de confiance Prévision météorologique Prévision climatique “plus froid que la moyenne”

51 Définition Etat du Marché Données Climatiques Evaluation de contrat
Conclusion Définition Etat du Marché Données Climatiques Evaluation de contrat

52 www.SpeedwellWeather.com michael.moreno@SpeedwellWeather.com
Questions ?


Télécharger ppt "Assurances Climatiques Paramétriques"

Présentations similaires


Annonces Google