Solvency 3 en Real-time Data Analytics

Solvency 3 en Real-time Data Analytics


De grondlegger van de economische wetenschappen, Adam Smith, zei het al in zijn magnum opus [1] (1776):

“The trade of insurance gives great security to the fortunes of private people, and, by dividing among a great many that loss which would ruin an individual, makes it fall light and easy upon the whole society. In order to give this security, however, it is necessary that the insurers should have a very large capital.”

Risk based capital

Maar wat betekent "very large capital" dan precies? Rekenaars en beleidsbepalers hebben in de loop der tijden veel tijd gespendeerd om deze vraag te beantwoorden. Ook Adam Smith begreep dat een te grote hoeveelheid kapitaal op de balans kan leiden tot een inefficiënte rendement op eigen vermogen. Echter, een (gepercipieerde) “te” lage hoeveelheid kapitaal brengt onzekerheid, ook bij aandeelhouders zoals we niet lang geleden hebben kunnen zien bij een aantal Europese verzekeraars.

Het vereist kapitaal voor een verzekeraar heeft zich in de loop der jaren geëvolueerd. Hoewel het uit de jaren '70 stammende Solvency 1 toentertijd revolutionair te noemen was, bleek het raamwerk te inflexibel ingericht om mee te gaan met alle ontwikkelingen bij verzekeraars sindsdien. Om deze reden is per 2016 Solvency 2 ingevoerd. In de tussentijd hadden verschillende metrics hun intrede gedaan, zoals IFRS, EEV en MCEV. De Solvency 2 ratio lijkt echter momenteel, in ieder geval tot de introductie van de IFRS 17 contractual service margin, wel de marktstandaard te zijn geworden. 

Toezichtsraamwerken zoals Solvency 2 zijn risicogebaseerd en hanteren het principe dat het vereist kapitaal afhankelijk is van de risico's die een verzekeraar loopt. Daarmee leek de vraag van Adam Smith beantwoord te zijn. Echter, het blijkt dat in de praktijk stakeholders meer zekerheid willen. Aandeelhouders, maar ook toezichthouders, eisen vaak (indirect) een buffer bovenop de risico-gebaseerde kapitaalseis. Als we niet waakzaam blijven dan bestaat een reëel risico dat "very large capital", "too large capital" wordt.

Ook bestaan er vaak voor belangrijke parameters in het raamwerk (zoals de LACDT, het verliescompensatie vermogen van uitgestelde belastingen) totaal verschillende praktijken in verschillende Europese landen. Dit kan 10-tallen procentpunten in solvabiliteitsratio uitmaken. Het is zorgwekkend wanneer deze verschillen niet verklaard kunnen worden door intrinsieke risico's bij de verzekeraar zelf. In Denemarken bijvoorbeeld is het marktpraktijk dat volledig rekening wordt gehouden met het verliescompensatievermogen, terwijl de dynamiek van concurrentie en winstgevendheid niet bijster veel verschilt van volwassen en concurrerende verzekeringsmarkten in andere landen. Gelukkig zijn industrieorganisaties en toezichthouders druk bezig om dit allemaal op te lossen.

In deze blog probeer ik een ander perspectief te schetsen, en te beargumenteren dat er ten opzichte van overkapitalisatie en meer regelgeving, alternatieve manieren bestaan om onzekerheid te managen bij een kapitaalintensieve industrie zoals de verzekeringsindustrie. Namelijk, beter inzicht verkrijgen in het heden (door risicogevoelige prestatie indicatoren) en in de toekomst (door scenario analyses) en deze in samenhang met de strategie van een verzekeraar te bezien.

Basel 4

Vaak bestaat de neiging om te kijken wat er bij banken wordt gedaan op dit vlak. De bankentoezichthouders hebben eind vorig jaar een akkoord bereikt over wat velen inmiddels Basel 4 noemen. Een belangrijk onderdeel hiervan is een ondergrens voor de hoogte van interne schattingen voor parameters die het vereist kapitaal bepalen. Het is niet ondenkbaar dat regelgevers dit idee zullen overnemen in de toekomst in een “Solvency 3” of update van Solvency 2. Een belangrijke drijver van Basel 4 was de scala aan praktijken in verschillende landen ten aanzien van interne berekeningen om het vereist kapitaal te bepalen. Dit is precies wat we nu ook zien bij verzekeraars in verschillende Europese landen.

Ik ben van mening dat het probleem niet wordt opgelost met nieuwe regelgeving zoals bij banken. Als je bij rules based wetgeving het ene gat dicht dan zijn er al andere gaten ergens anders ontstaan. En aangezien sinds de grote financiële crisis, principles based toezicht voorlopig niet aan de orde is moeten we de oplossing denk ik ergens anders zoeken. Wat kunnen verzekeraars dan wel doen?

Los van de vraag of er een Solvency 3 of aangepaste Solvency 2 komt, denk ik dat het belangrijk is dat verzekeraars meer aandacht krijgen voor twee zaken:


  1. een strategisch kapitaalraamwerk waarin zowel de huidige Solvency 2 buffer als het kapitaalplan voor de toekomst wordt meegenomen en waarin door middel van scenario analyse aangetoond wordt waar onzekerheden vandaan zouden kunnen komen, en  
  2. betere real-time inzicht krijgen in kapitaalintensiviteit en rendement van huidige productportefeuille en beleggingen.

Scenario analyse

Verzekeraars zouden in hun strategische kapitaalplanning kunnen profiteren van dynamische scenario analyses. Behalve dat scenario analyse primair het risicomanagement bevordert bij de verzekeraar zelf door beter inzicht te geven in risico- en kapitaalmanagement, leent het zich bij uitstek om op een relatief eenvoudige manier externe stakeholders inzicht te geven in bijvoorbeeld het kapitaal genererende vermogen. Stakeholders verlangen namelijk hogere buffers wanneer onzekerheid bestaat over de gehanteerde strategie in samenhang met het kapitaalplan.

Door middel van scenario's kan inzicht worden gegeven aan interne en externe stakeholders in hoe wordt gewaarborgd dat de Solvency 2 ratio ook in de toekomst voldoende blijft onder verschillende stress scenario's, en hoe de strategie van de verzekeraar hierbij past. Dit gaat dus verder dan statische analyses in een ORSA, waarbij ook bijvoorbeeld inzicht wordt gegeven over welke strategie gehanteerd wordt ten aanzien van kapitaalintensieve producten, en wat de relatie is met het rendement op kapitaal dat gewenst behaald te worden.

Een variant hiervan wordt reeds toegepast bij pensioenfondsen. Theo Kocken [2] heeft hierover recent een goed artikel geschreven. In dit artikel legt hij haarfijn uit welke problematiek ontstaat wanneer risico- en kapitaalmanagement alleen modelmatig worden bezien (in het geval van verzekeraars bijvoorbeeld blind staren op de SCR ratio) en geen rekening wordt gehouden met scenario’s die niet in de data zijn onderkend. Economische kapitaal modellen en de standaardformule in Solvency 2 kunnen inzicht verschaffen in de dynamiek van kapitaal en risico’s, maar zijn zeker niet voorspellend. Door in scenario’s te denken kan vooraf worden bedacht welke acties nodig zijn om niet gewenste consequenties van deze scenario’s te voorkomen.

Ik wil hier alleen aan toevoegen dat naar mijn mening modellen en data de beste objectieve instrumenten tot onze beschikking zijn om iets over onzekerheid te zeggen. Als "traditionele" stochastische modellen, bijvoorbeeld worden gecomplementeerd met modellen op het gebied van Machine Learning dan ontstaat er al een geheel andere model dynamiek waarbij niet blind wordt gestaard op historische data. Als deze modellen ook nog worden ondersteund met kwalitatieve scenario analyses waarin ook bijvoorbeeld emerging risks worden meegenomen, dan wordt het modelrisico sterk gemitigeerd en wordt het "common sense" element toegevoegd.

Kapitaalgevoelige indicatoren

Scenario's gaan over de toekomst. Het management van financiële instellingen verlangt echter ook dat meer en sneller inzichten worden gehaald uit de bestaande data, bijvoorbeeld ten aanzien van de kapitaalintensiviteit van de huidige productportefeuille en het rendement dat hierbij hoort. Stakeholders lijken ook steeds meer en meer transparantie te willen over hoe een verzekeraar winst beoogt te maken. Zo willen aandeelhouders weten waarom een verzekeraar momenteel in een bepaald segment van de markt actief is. De toezichthouder doet ook herhaaldelijk onderzoek naar de strategie van een verzekeraar.

Het is dus belangrijker geworden om een link te leggen tussen strategie, business, modellen en kapitaal door middel van kapitaalgevoelige KPI's. Denk bijvoorbeeld aan real-time inzicht in return-on-SCR per pensioenverzekering of hypotheekbelegging. In deze tijd zou denk ik elke financiële instelling moeten beschikken over een real-time risk&return dashboard per belegging en verkocht product. Deze prestatie indicatoren linken management acties direct aan impact op kapitaal en aandeelhouderswaarde. Op deze manier vormen deze dus ook een uitstekend instrument om op een analytische manier inzicht te krijgen in de impact van de gehanteerde strategie en vervolgens te bepalen of deze aangepast moet worden.

ë

Real-time analytics

In feite gaat bovenstaande over real-time statische inzichten. De volgende stap is naar dynamische inzichten door data real-time te analyseren en op basis hiervan bijvoorbeeld on the spot het productaanbod aan te passen. Dynamic pricing is een bekend en simpel voorbeeld hiervan. Tijdens een recent gehouden seminar plaatste een CRO van een verzekeraar dit in een breder perspectief: "High performance computing for real-time analytics". Dus op continue basis nieuwe inzichten halen uit data en hierop sturen.

Denk aan de hoeveelheid data en info in de Solvency 2 rapportages. Als we deze bijvoorbeeld via een distributed ledger toepassing (Blockchain) toegankelijk kunnen maken om anoniem en geaggregeerd te analyseren, zouden we dan niet veel meer uit Solvency 2 kunnen halen? Ongetwijfeld zitten daar op dit moment veel mitsen en maren aan, maar we kunnen ons afvragen of we, gegeven de mogelijkheden van nu, voldoende waarde halen uit de enorme hoeveelheid risk en kapitaal data die geproduceerd wordt.

2018 wordt weer een interessant jaar voor verzekeraars. De voorbereiding op IFRS17 gaat door en de Europese Commissie zal nieuwe voorstellen omtrent Solvency 2 doen. Op het gebied van InsurTech maken grote ondernemingen zoals Amazon de eerste stappen in de wereld van verzekeren ​[3]​​​. Deze bedrijven beschikken over geavanceerde data analyse technieken en maken op continue basis besluiten met behulp van real-time data. “Scenario denken” is eerder dagelijkse praktijk dan iets nieuws. Zullen deze conglomeraten de traditionele verzekeraars overbodig maken of zal er een tegenantwoord komen?

Gelukkig draait het er niet altijd om wie de grootste is, maar wie in staat is op tijd veranderingen door te voeren. Wat voor verzekeraars geldt, geldt eigenlijk voor elke industrie in deze tijd: Het digitaliseren van de productiefactoren in de huidige waardeketen is de eerste stap, maar om in de toekomst te overleven wordt de belangrijkste stap om met behulp van real-time data analytics en wetenschappelijke innovaties zoals Blockchain pro-actief waarde te creëren voor klanten en aandeelhouders. Want hoewel kwalitatief onderbouwde scenario's voordelen hebben zoals ik boven schetste, blijven analytische methoden de meest objectieve instrumenten die we hebben. We voorkomen daarmee dat enthousiast bedachte rooskleurige scenario's leidend kunnen worden in dagelijkse besluitvorming. Om dan toch met Adam Smith af te sluiten [1]

"Science is the great antidote to the poison of enthusiasm and superstition"