Machine learning geeft verzekeraars een nieuwe kijk op portefeuillebeheer
De toenemende economische onzekerheid, strengere regelgeving en geopolitieke spanningen maken het voor verzekeraars steeds lastiger om beleggingsportefeuilles optimaal samen te stellen. Volgens Ortec Finance schieten traditionele optimalisatiemodellen, die vooral zijn gebaseerd op lineaire relaties tussen risico en rendement, daarbij steeds vaker tekort. Verzekeraars moeten immers niet alleen streven naar rendement, maar tegelijkertijd rekening houden met solvabiliteit, liquiditeit en uiteenlopende toezichteisen.
Ortec Finance ziet daarom veel potentie in Scenario-Based Machine Learning (SBML). Deze methode combineert machine learning met grote aantallen economische scenario's, waardoor complexe en soms conflicterende doelstellingen gelijktijdig kunnen worden geoptimaliseerd. In plaats van handmatig verschillende portefeuilles door te rekenen, leert het model welke beleggingsmix het beste aansluit bij vooraf vastgestelde financiële en reglementaire doelstellingen.
Voor verzekeraars biedt deze aanpak volgens Ortec Finance belangrijke voordelen. Zo kunnen balanskengetallen, zoals solvabiliteitskapitaal onder Solvency II, rechtstreeks worden meegenomen in het optimalisatieproces. Ook doelstellingen als dividendstabiliteit, kapitaalefficiëntie en risicobeheersing kunnen beter tegen elkaar worden afgewogen. Naarmate markten complexer worden, zal het vermogen om machine learning te combineren met geavanceerde scenariomodellen volgens de onderzoekers een steeds belangrijkere succesfactor worden voor strategisch vermogensbeheer.
Dit is een samenvatting van het volledige artikel op Financial Investigator.
