IT 
EnglishDefault
Українська
Polski
Español
Deutsch
日本語
Português (BR)
Français
العربية
Nederlands
中文
한국어
हिन्दी
Türkçe
Tiếng Việt
Русский
Bahasa Indonesia
فارسی
বাংলা
ไทย
Filipino
Kiswahili
اردو
Bahasa Melayu
தமிழ்
עברית
Ελληνικά
ਪੰਜਾਬੀ
አማርኛ
မြန်မာဘာသာ
ខ្មែរ
ქართული
नेपाली
Монгол хэл
Հայերեն
සිංහල
ລາວ
Čeština
Română
Magyar
Български
Svenska
Dansk
Suomi
Norsk
Slovenčina
Hrvatski
Српски
Slovenščina
Lietuvių
Latviešu
Eesti
Íslenska
Shqip
Македонски
Bosanski
Malti
Azərbaycanca
Қазақша
O'zbekcha
Тоҷикӣ
Кыргызча🛡️ Valutatore del Rischio di Sottoscrizione Assicurativa — Modello Attuariale dal Vivo
Valuta il rischio di un flusso di domande assicurative sintetiche usando un modello in stile attuariale, e osserva come premio, loss ratio e tasso di accettazione si muovono insieme mentre regoli la soglia di rischio.
Informazioni sul Valutatore del Rischio di Sottoscrizione Assicurativa
La sottoscrizione è la disciplina che decide quali domande assicurative accettare e a quale prezzo, e la valutazione attuariale del rischio è il motore statistico dietro questa decisione su larga scala. Questa simulazione genera un flusso di richiedenti sintetici, ciascuno descritto da veri fattori di rischio di sottoscrizione — età, storico sinistri, valore del bene assicurato e una fascia di rischio regionale — e assegna a ognuno un punteggio tramite un modello di regressione logistica della stessa forma matematica usata nei sistemi attuariali di pricing in produzione. Il punteggio di rischio lineare del modello passa attraverso una funzione sigmoide per produrre una probabilità di sinistro limitata tra 0 e 1, che viene poi combinata con una stima di gravità proporzionale al valore del bene per ottenere una perdita attesa, infine maggiorata da un fattore di caricamento per ottenere il premio.
Una soglia di rischio regolabile imposta il limite di sottoscrizione: i richiedenti la cui probabilità di sinistro stimata dal modello supera la soglia vengono rifiutati, mentre tutti gli altri vengono accettati al premio calcolato. Poiché l'esito realizzato di ogni polizza accettata viene poi estratto dalla sua vera probabilità sottostante anziché copiato dalla stima del modello, il loss ratio e il tasso di accettazione della simulazione rispondono realmente — con un rumore statistico realistico — a ogni modifica apportata alla soglia o al fattore di caricamento, esattamente come farebbe un vero portafoglio di sottoscrizione.
Domande frequenti
Cos'è la valutazione del rischio di sottoscrizione, e perché non esaminare semplicemente ogni domanda a mano?
La sottoscrizione è il processo con cui si decide se accettare una domanda assicurativa e a quale prezzo. Un approccio puramente manuale non è scalabile, e i revisori umani applicano standard incoerenti su migliaia di domande. La valutazione attuariale del rischio, invece, adatta un modello statistico — storicamente un modello lineare generalizzato come la regressione logistica — per stimare la probabilità e il costo atteso di un sinistro futuro a partire da fattori di rischio misurabili (età, storico sinistri, valore dei beni, area geografica). Il punteggio è coerente, verificabile e può essere ricalibrato man mano che si accumula esperienza sui sinistri, motivo per cui sta alla base delle decisioni di prezzo e accettazione in praticamente ogni assicuratore moderno.
Come calcola effettivamente un punteggio di rischio il modello logistico di questa simulazione?
I fattori grezzi di ogni richiedente sintetico (età, numero di sinistri precedenti, valore del bene assicurato, fascia di rischio regionale) vengono standardizzati e combinati in un punteggio lineare z = b0 + b1·età_z + b2·sinistri + b3·bene_z + b4·regione, esattamente come in un vero modello lineare generalizzato. Quel valore z passa attraverso la funzione logistica (sigmoide) p = 1/(1+e^-z) per produrre una probabilità di sinistro nel prossimo periodo di polizza, limitata tra 0 e 1. È la stessa forma matematica usata nei veri modelli attuariali di frequenza — garantisce che l'output sia sempre una probabilità valida, a differenza di una semplice regressione lineare che potrebbe prevedere probabilità sotto lo 0% o sopra il 100%.
Come viene calcolato il premio a partire dal punteggio di rischio, e perché dipende da più della semplice probabilità di sinistro?
Il premio si costruisce a partire dalla perdita attesa, non dalla sola probabilità. Perdita attesa = probabilità di sinistro (frequenza) × entità attesa del sinistro (gravità), e la gravità è proporzionale al valore del bene assicurato — un sinistro su una polizza più grande costa di più anche a parità di probabilità. La simulazione applica poi un fattore di caricamento sopra la perdita attesa per coprire le spese di sottoscrizione, i costi di capitale e il margine di profitto, più un piccolo costo fisso per polizza: premio = perdita_attesa × (1 + caricamento) + spesa_fissa. Questo rispecchia la vera identità di pricing attuariale usata in assicurazioni immobiliari, auto e vita, dove frequenza e gravità sono modellate e prezzate separatamente prima di essere combinate.
Come crea il cursore della soglia di rischio il compromesso tra tasso di accettazione e loss ratio?
La soglia imposta la probabilità di sinistro massima che il sottoscrittore è ancora disposto ad accettare. Alzando la soglia si accettano più richiedenti — il tasso di accettazione sale — ma si includono polizze più rischiose i cui sinistri realizzati spingono più in alto il loss ratio (sinistri pagati diviso premi incassati). Abbassando la soglia si rifiuta più rischio marginale, riducendo il portafoglio ma mantenendo la popolazione accettata più vicina alle ipotesi su cui è stato costruito il modello di pricing. Non esiste una soglia che massimizzi entrambe le metriche contemporaneamente — questa simulazione rende quel compromesso direttamente visibile e regolabile in tempo reale.
Cos'è il loss ratio, e perché un loss ratio vicino al 100% non è automaticamente negativo?
Loss ratio = totale sinistri pagati / totale premi incassati in un periodo. Un loss ratio del 60% significa che 60 centesimi di ogni sterlina di premio sono andati ai sinistri, lasciandone 40 per spese e profitto — il fattore di caricamento di questa simulazione è calibrato in modo che un loss ratio obiettivo (tipicamente 55–70%) lasci spazio al costo fisso incorporato. Un loss ratio molto sotto l'obiettivo di solito significa che la soglia è troppo restrittiva e i premi sono sovrapprezzati rispetto al rischio; un loss ratio ben sopra l'obiettivo significa che i sinistri stanno erodendo il caricamento destinato a spese e profitto, e il portafoglio non è redditizio alla soglia e al pricing attuali.
Cos'è la selezione avversa, e come si manifesta quando la soglia è impostata in modo troppo permissivo?
La selezione avversa è la tendenza dei richiedenti più rischiosi — che conoscono il proprio rischio meglio di quanto il modello dell'assicuratore riesca a coglierlo — a essere rappresentati in modo sproporzionato tra le polizze accettate quando gli standard di sottoscrizione si allentano. In questa simulazione, alzare la soglia lascia entrare richiedenti la cui probabilità stimata dal modello è vicina al limite; poiché il punteggio del modello è una stima e non una certezza, alcuni di questi richiedenti marginali hanno un rischio reale più alto di quanto suggerito dal punteggio. Osserva il loss ratio: man mano che la soglia sale, il mix accettato si sposta verso i punti ciechi del modello, e le perdite realizzate crescono più velocemente di quanto previsto.
Perché gli esiti realizzati nella simulazione a volte divergono da quanto previsto dal punteggio di rischio?
Il punteggio di rischio è una probabilità, non la previsione di un singolo esito — un richiedente con un punteggio del 12% genererà comunque un sinistro circa una volta su otto se se ne sottoscrivono abbastanza, per pura casualità irriducibile. Questa simulazione estrae l'esito reale di ogni polizza accettata come una prova di Bernoulli basata sulla sua vera probabilità sottostante e su un'estrazione di gravità log-normale, quindi il loss ratio realizzato nel breve periodo oscilla attorno all'aspettativa del modello anziché coincidere esattamente istante per istante. È esattamente il motivo per cui i veri assicuratori sottoscrivono portafogli ampi e diversificati e monitorano il loss ratio su finestre mobili, invece di giudicare il modello sulla base di una singola polizza.
Perché la curva premio-rischio si incurva verso l'alto invece di crescere linearmente?
Poiché la probabilità entra nel calcolo della perdita attesa in modo moltiplicativo insieme alla gravità e viene poi maggiorata da un fattore di caricamento proporzionale, piccoli aumenti del punteggio di rischio nella fascia alta si traducono in aumenti di premio proporzionalmente maggiori rispetto allo stesso aumento nella fascia bassa. Questa relazione convessa è voluta: riflette il modo in cui gli assicuratori prezzano il rischio di coda in modo più aggressivo rispetto al rischio ordinario, scoraggiando la selezione avversa facendo pagare ai richiedenti più rischiosi (ma ancora accettabili) un premio che già riflette gran parte del loro costo atteso aggiuntivo.
How does the logistic risk model in this simulation actually compute a risk score?
Each synthetic applicant's raw factors (age, prior claims count, insured asset value, region risk tier) are standardised and combined into a linear score z = b0 + b1·age_z + b2·claims + b3·asset_z + b4·region, exactly as in a real generalised linear model. That z is passed through the logistic (sigmoid) function p = 1/(1+e^-z) to produce a probability of a claim in the coming policy period, bounded between 0 and 1. This is the same mathematical form used in real actuarial frequency models — it guarantees the output is a valid probability regardless of how extreme the input factors are, unlike a plain linear regression which could predict probabilities below 0% or above 100%.
How is the premium calculated from the risk score, and why does it depend on more than just claim probability?
Premium is built from expected loss, not probability alone. Expected loss = claim probability (frequency) × expected claim size (severity), and severity scales with the insured asset value — a claim on a larger policy costs more even at the same probability. The simulation then applies a loading factor on top of expected loss to cover underwriting expenses, capital costs, and profit margin, plus a small fixed expense charge per policy: premium = expected_loss × (1 + loading) + fixed_expense. This mirrors the real actuarial pricing identity used across property, motor and life insurance, where frequency and severity are modelled and priced separately before being combined.
How does moving the risk threshold slider create the acceptance-rate vs loss-ratio tradeoff?
The threshold sets the maximum modelled claim probability the underwriter will still accept. Raising the threshold accepts more applicants — acceptance rate goes up — but includes riskier policies whose realised claims push the loss ratio (claims paid divided by premium collected) higher. Lowering the threshold declines more marginal risk, shrinking the book of business (lower acceptance rate) but keeping the accepted population closer to the assumptions the pricing model was built on, which keeps the loss ratio nearer its target. There is no threshold that maximises both metrics at once — this simulation makes that tradeoff directly visible and adjustable in real time.
What is loss ratio, and why is a loss ratio near 100% not automatically bad?
Loss ratio = total claims paid / total premium collected over a period. A loss ratio of 60% means 60 cents of every premium pound went to claims, leaving 40 cents for expenses and profit — this simulation's loading factor is calibrated so that a target loss ratio (typically 55–70%) leaves room for the built-in expense charge. A loss ratio far below target usually means the threshold is too strict and premiums are overpriced relative to risk (losing competitive business); a loss ratio well above target means claims are eating into the loading meant for expenses and profit, and the book is unprofitable at the current threshold and pricing.
What is adverse selection, and how does it show up when the threshold is set too loose?
Adverse selection is the tendency for the riskiest applicants — who know their own risk better than the insurer's model captures it — to be disproportionately represented among accepted policies when underwriting standards loosen. In this simulation, raising the threshold lets in applicants whose modelled probability is close to the cutoff; because the model score is an estimate, not a certainty, some of those marginal applicants have true risk noticeably higher than their score suggested. Watch the loss ratio: as the threshold rises, the accepted mix increasingly tilts toward the model's blind spots, and realised losses grow faster than the modelled expected loss would predict.
Why do realised outcomes in the simulation sometimes diverge from what the risk score predicted?
The risk score is a probability, not a forecast of any single outcome — an applicant scored at 12% claim probability will still generate a claim roughly one time in eight if you underwrite enough of them, purely from irreducible randomness. This simulation draws each accepted policy's actual outcome as a Bernoulli trial using its true underlying probability and a lognormal severity draw, so short-run realised loss ratio fluctuates around the model's expectation rather than matching it exactly tick by tick. This is exactly why real insurers underwrite large, diversified books and monitor loss ratio over rolling windows rather than judging the model by any single policy.
Why does the premium-vs-risk curve bend upward instead of increasing in a straight line?
Because probability enters the expected-loss calculation multiplicatively with severity and then gets grossed up by a proportional loading factor, small increases in risk score near the high end translate into disproportionately larger premium increases than the same size increase near the low end — a compounding effect rather than a flat per-point surcharge. This convex relationship is deliberate: it reflects how insurers price tail risk more aggressively than routine risk, discouraging adverse selection by making the riskiest-but-still-acceptable applicants pay a premium that already reflects most of their added expected cost.
Valuta il rischio di un flusso di domande assicurative sintetiche usando un modello in stile attuariale, e osserva come premio, loss ratio e tasso di accettazione si muovono insieme mentre regoli la soglia di rischio.
3D · renderer Three.js / WebGL · target 60 FPS · funziona interamente lato client, senza installazione