• Cluster
• FinanzaQuantitativa
• KMeans
• Montecarlo
• Scenari

Una delle sfide per le compagnie assicurative nella creazione di un modello per asset/liability management è il tempo di elaborazione dei dati. Usare un modello completamente stocastico per analizzare larghi blocchi di dati è spesso troppo dispendioso per essere messo in pratica. Per risolvere questo problema si tenta di ridurre il costo computazionale raggruppando gli asset in macro categorie. Questo lavoro di tesi si concentra su una strategia che permette una modellizzazione stocastica efficiente per quantità notevoli di dati assicurativi. Un modello efficiente può essere realizzato applicando ai tassi un algoritmo di campionamento. Nella programmazione stocastico e nell'analisi decisionale un tema importante consiste nell'approssimare la rappresentazione dei processi multimensionali, stocastici sottostanti nella forma di un albero di scenari. Questo lavoro di tesi presenta un approccio per generare un albero di scenari multistage multimensionale da un ventaglio di scenari iniziali. Per questo scopo è sviluppato un algoritmo di clustering K-means multistage. Questo algoritmo per la generazione dell'albero si caratterizza per la stabilità dei risultati ottenuti.

One of the challenges of stochastic asset/liability modeling for large insurance businesses is the run time. Using a complete stochastic asset/liability model to analyze a large block of business is often too time consuming to be practical. In practice, the compromises made are reducing the number of runs or grouping assets into asset categories. This work focuses on a strategy that enable efficient stochastic modeling for large and consolidated insurance business blocks. Efficient stochastic modeling can be achieved by applying effective interest rate sampling algorithms. In stochastic programming and decision analysis, an important issue consists in the approximate representation of the multidimensional stochastic underlying process in the form of scenario tree. This work presents the approach to generate the multistage multidimensional scenario tree out of a set of scenario fans. For this purpose, the multistage K-means clustering algorithm is developed. The presented scenario tree generation algorithm is featured by the stability of results.