Assurances climatiques paramétriques - Michael Moreno

1 970 vues

Publié le

Présentation des assurances climatiques par Michael Moreno Speedwell Weather - Conférence AssurFinance|2013

Publié dans : Économie & finance
0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
1 970
Sur SlideShare
0
Issues des intégrations
0
Intégrations
7
Actions
Partages
0
Téléchargements
36
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Assurances climatiques paramétriques - Michael Moreno

  1. 1. Assurances Climatiques Paramétriques 1
  2. 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 2
  3. 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 26500 participants - marathon natation Angleterre 2012 michael.moreno@SpeedwellWeather.com N’hésitez pas à me contacter sur LinkedIn 3
  4. 4. Sommaire• Définition• Etat du Marché• Données Climatiques• Evaluation de contrat 4
  5. 5. Assurance Climatique Paramétrique = Dérivé Climatique avec des règlescomptables et légales différentes mais dont le nom fait moins peur aulégislateur et aux clientsDÉFINITION 5
  6. 6. Exemples d’Assurances Climatiques ParamétriquesPluie - agriculture Température + Humidité Vent – production relative – Indice de misère d’électricité - éolienne – demande électricité USAPour chaque période de 4 Pour chaque heure ou la Si la production MW.H-1jours ou plus durant température est supérieure moyenne à la fin du moislaquelle il pleut moins de à 95 F et l’humidité relative est inférieure à un certain2mm, le paiement final est supérieure à 90%, le seuil => paiement d’uneégal au nombre de jours paiement final est de X compensation.sans pluie au cours de ces USD.périodes multiplié par X Le contrat est lié à laEuros. courbe de production d’électricité du type d’éolienne installée. 6
  7. 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 7
  8. 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) 8
  9. 9. Weather Risk Management Association www.WRMA.orgÉTAT DU MARCHÉ 9
  10. 10. Etat du Marché CME – Contrats Listés Gré à Gré• Croissance annuelle • Croissance saine et substantielle jusqu’en continue 2008 • Bonne diversification• Activité de Marché liée sectorielle: agriculture, au marché énergétique énergie, construction, industrie et services 10
  11. 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 www.WRMA.org 11
  12. 12. Surprises, surprises…DONNÉES CLIMATIQUES 12
  13. 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) 13
  14. 14. Les conventions de mesure ne sont pas uniformesChaque pays et organisation a des conventions de lectures et demesures différentes.Les conventions ne sont pas constantes dans le tempsElles changent: lecture humaine -> automatisées, de 6h à 6h -> de 9h à9h, etcLes 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 designer un contrat d’assurance climatique sans comprendreces conventions 14
  15. 15. Exemple Royaume-Uni CLIMATE TMIN CLIMATE TMAX SYNOP TMIN SYNOP TMAX06 18 00 06 18 00 06 15
  16. 16. Exemple France CLIMATE TMAX & PLUIE CLIMATE TMIN18 00 06 18 00 06 16
  17. 17. Exemple Allemagne Climate Tmin, Tmax, Pluie 00 00 À partir de 2001 Seulement! 17
  18. 18. GSOD – Une base de données climatiques gratuite• GSOD (Global Summary Of Day) est une base de données climatiques reconstruites gratuite.Pluie - Chine Vent – Aéroport de DublinErreurs très fréquentes En bleu: données officielles2012 Erreur cumulée = 22% En rouge: données GSOD Cette base contient de nombreuses ‘limitations’ 18
  19. 19. Données NettoyéesSpeedwell traite + de 100 000 fichiers de données par jourEnviron 2% des données sont erronnéesEnviron 3% de données manquantesDonnées officielles sont difficilement utilisables pour les contrats d’assurance climatiqueType d’erreur: pluie: -2992mm - donnée climatique officielle QC2! 19
  20. 20. Inventaire Données Speedwell100 000 stations - 10 000 nettoyées / jour 20
  21. 21. Discontinuités et données recalibréesChangements parfois enregistrés Changements jamais enregistrés dans les Métadonnées dans les Métadonnées • Herbe au sol remplacée par• Les stations sont déplacées macadam (assez fréquent dans les • Changement d’utilisation aéroports!) humaine à proximité (example: aire de parking• Les instruments sont remplacés d’avions déplacée à 3m des instruments) • Peinture blanche sur le toit remplacée par de la peinture noire • Nouveau bâtiment construit assez proche 21
  22. 22. Aéroport = Mini VilleExample Kansas City 1990 -> 2012 22
  23. 23. Oh la belle discontinuité! 23
  24. 24. La liste est longue… 24
  25. 25. Données recalibrées = recalibrées aux conditions actuelles de la station 25
  26. 26. Plus belle discontinuité ?Station COOP USA 10 F !Cause: Arbre coupé ! 26
  27. 27. Règle d’or: Ne jamais évaluer un contrat sans comprendre les données aupréalableEVALUATION 27
  28. 28. Fair Value 28
  29. 29. 3 MéthodesBurnActuarielle est supposée connue (best fit – Maximum de Vraisemblance, etc) est résolue numériquementSimulation journalière / horaire de l’élément 29
  30. 30. Tendance des données • Tendance Mensuelle • Régression Locale à Poids Variables (LOWESS) 30
  31. 31. Quelle Distribution? 31
  32. 32. Simulation de la température Ti+1 i+1 Ti i+1 distribution i 32
  33. 33. • La saisonnalité n’est pas une sinusoide• Mémoire longue• Forte saisonnalité de la distribution des résidus 33
  34. 34. Les résidus sont normalement distribués et non corrélés • Tout est parfait • Cela Marche à Merveille 34
  35. 35. En fait les résidusne sont pas normalement distribués ! 35
  36. 36. Simulation dans SWS ?Bootstrapping de série temporelle ! 36
  37. 37. Simulation de la PluieLes données journalières de pluie sont tronquées et censurées Ces 4 cas (et bien d’autres!) t-1 t t+1 sont indiscernables La troncature et la censure des données créent une forte autocorrélation des données et de la probabilité qu’il pleuve 37
  38. 38. Probabilité qu’il pleuveProblématiqueSimuler 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 lelendemain pt = Prob(Xt = 1 | Xt-1, Xt-2, Xt-3,…, Xt-k), k  IN*. 38
  39. 39. Quel Lag (k) ? k=1 39
  40. 40. 4 Probabilités (x365) et 4 Densités à estimer (x 12!) 40
  41. 41. Quelques problèmesA certains endroits,il pleut plus souventen fin de semaine Il existe une station où il ne pleut pas le samedi et le dimanche 41
  42. 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 42
  43. 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 43
  44. 44. Prévisions Probabilistiques Prévision d’ensemble ECMWF: 00Z + 12Z ECMWF Ensemble: 51 Membres GFS: 00Z + 06Z + 12Z + 18Z GFS Ensemble : 21 Membres 44
  45. 45. Les prévisions Downscaled sont en fait excellentes 1 Jour Erreur Moyenne 0.06 Contre 1.45 Erreur ABS 0.74 Contre 3.27 45
  46. 46. Même à 5 jours… 5 Jours Erreur Moyenne -0.12 Contre 1.83 Erreur ABS 1.31 Contre 3.22 46
  47. 47. Même à 1 mois!Principal Avantage: Physiquement, géographiquement et météorologiquementcohérent pour tous les élémentsMoyen terme (0 à 15 jours) -> Prévision météorologiqueLong terme (mois / saison) -> Prévision climatologique 10-15 jours Mensuelle -> Climatologie Météo (plus chaud ou plus froid que la normale) 47
  48. 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 48
  49. 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. 49
  50. 50. Exemple d’une prévision avec erreur de timing Paris Orly 1/1/2013 – 00Z Erreur de Erreur de Timing Prévision?Bon niveau de Prévisionconfiance climatique “plus froid que laPrévision moyenne”météorologique 50
  51. 51. ConclusionDéfinitionEtat du MarchéDonnées ClimatiquesEvaluation de contrat 51
  52. 52. Questions ? www.SpeedwellWeather.commichael.moreno@SpeedwellWeather.com 52

×