Schadenversicherungsmathematik

Prof. Dr. Michael Kohler

Sommersemester 2009

Vorlesung orientiert sich an:

Thomas Mack:
Schadenversicherungsmathematik.
Gesellschaft für Versicherungsmathematik,
Verlag Versicherungswirtschaft, 2002

1
1 Einführung
1.1 Schadenversicherung
Im Versicherungsvertrag (Police) verpflichtet sich das Versicherungsunterneh-
men gegen Erhalt eines vereinbarten, im Voraus fälligen Geldbetrags (Prämie),
bei Eintritt von im Vertrag näher definierten ungewissen Ereignissen (Schäden)
bestimmte, in ihrer Höhe meist vom betreffenden Ereignis abhängende Zahlun-
gen an den Vertragspartner (Versicherungsnehmer) zu leisten, die den aus dem
Ereignis resultierenden wirtschaftlichen Nachteil des Versicherungsnehmers re-
duzieren oder auszugleichen sollen.

Wir behandeln Schadenversicherungen, wie z. B.

• Kfz-Versicherungen
• Hausrat-Versicherung
• Versicherungen gegen Feuerschäden oder Naturgewalten
Dazu gehören nicht die Lebensversicherungen.

Auftretende Fragestellungen:
1) Wie groß ist der Schaden im Mittel?
2) Welchen Zuschlag für Schwankungen soll die Prämie zum Schaden im Mit-
tel enthalten?
3) Wieviel Geld soll die Versicherung beiseite legen bei lang andauernden
Schadenabwicklungen (z. B. in der Haftpflicht-Versicherung - angerichteter
Schaden eines Architekten beim Hausbau)?
4) Wie verändern wir die Prämie, wenn wir einen Teil des Schadens an Ver-
sicherungsnehmer oder Rückversicherer abgeben (z. B. Selbstbeteiligung
oder Deckungssumme oder Rückversicherung)?

1.2 Ausgleich im Kollektiv

Abschluss einer Versicherung statt selbständiges beiseite legen von Geld lohnt
sich wegen des sogenannten Ausgleich im Kollektiv:
Versicherung muss (sofern die Schäden nicht vollständig positiv korreliert sind)
zur Absicherung von Schwankungen weniger Geld pro Versicherten zurücklegen,
als wenn das jeder einzeln machen würde.

Einfaches Beispiel (idealisiert):

Sind die Schadenhöhen X1 , . . . Xn der n Versicherten unabhängig und identisch

verteilt mit Erwartungswert µ = EX1 und Varianz σ 2 = V (X1 ) < ∞ so gilt für
c>0:

2
 " n
#
X
P Xi > n · (µ + c)
i=1
" n #
X
=P Xi − n · µ > n · c
i=1
Pn
Tschebyscheff V ( i=1 Xi ) Unabhängigkeit n · V (X1 ) σ2
≤ = = .
(n · c)2 2
n ·C 2 n · c2
Diese Wahrscheinlichkeit ist kleiner oder gleich wie ε > 0, wenn gilt

σ2 σ 1
≤ε⇒c≥ √ ·√ .
n · c2 n ε
Folgerung:
Je größer die Anzahl n der Versicherten ist, umso kleiner muss der Anteil c pro
Versicherten sein, so dass der Gesamtschaden nur mit kleiner Wahrscheinlichkeit
den Wert

n · (µ + c)
übersteigt.

1.3 Bestandteile der Prämie

Wir betrachten versichertes Kollektiv mit einem jährlich (zufälligen) Gesamt-
schaden S. G sei die (im Moment als bekannt) vorausgesetzte Verteilungsfunk-
tion von S, also

G(x) = P [S ≤ x] (x ∈ R).
Dann setzen wir
E(S) + Schwankungszuschlag + k0
Prämie für Kollektiv = ,
1−p
wobei
p = Anteil der zur Bruttoprämie proportionalen Betriebskosten wie Provi-
sionen oder Steuern (z. B. p = 0.2).
k0 = Prämienunabhängige Kosten für das Kollektiv
Sei c das insgesamt vorhandene Sicherheits- oder Eigenkapital. Dann beschreibt
die sogenannte Illiquiditätswahrscheinlichkeit

ε = P [S > E(S) + c] = 1 − G(E(S) + c)

die Wahrscheinlichkeit, dass der Gesamtschaden das Kapital des Unterneh-
mens übersteigt (und damit die Versicherung zahlungsunfähig ist) (z. B. ε =

3
1% oder ε = 0, 1% oder... ) Ist z der risikolose Zins am Kapitalmarkt, dann
muss (in Abhängigkeit von ε) für das Sicherheitskapital am Kapitalmarkt der
Zinssatz

rε > z
gezahlt werden. Der Aufschlag

(rε − z) · c

muss vom Schwankungszuschlag bezahlt werden. Damit benötigt die Berech-

nung des Schwankungszuschlags primär eine Schätzung der Verteilungsfunktion
des Gesamtschadens, die wir im nächsten Kapitel behandeln.
Der Schwankungszuschlag für das versicherte Kollektiv muss auf die einzelnen
Versicherten (mit Schadenhöhen S1 , . . . Sn , also S = S1 + . . . + Sn ) umgelegt
werden. Sind die Schadenhöhen unabhängig, bietet sich eine Aufteilung entspre-
chend der Varianzen an, d. h. Versicherter i zahlt Schwankungszuschlag

V (Si )
(rε − z) · c ·
V (S)
Vorteil dabei ist, das der Schwankungszuschlag pro Versicherter unverändert
bleibt, wenn sich einige Versicherte zu einem Kollektiv zusammenschließen. Ist
die Voraussetzung der Unabhängigkeit nicht erfüllt, so kann man

Cov(Si , S)
(rε−z ) · c ·
V (S)

als Schwankungszuschlag für den i-ten Versicherten verwenden.

1.4 Schwierigkeit bei der Prämienkalkulation

Oft wird der Gesamtschaden durch einige wenige Großschäden dominiert.

Beispiel Feuerversicherungen:
Hier liegen 85% der Schäden unter dem Mittelwert, tragen aber nur 15% zur
Gesamtschadenlast bei. Da von diesen Großschäden aber nur wenige Beobach-
tungen vorliegen, sind diese ohne starke (und evt. unrealistische) Annahmen an
die zugrunde liegende Verteilung nur schlecht schätzbar.

4
2 Schätzung der Verteilung des Gesamtschadens
2.1 Das kollektive Modell
Bisher haben wir den Gesamtschaden im sogenannten individuellen Modell
dargestellt als
S = S2 + S2 + . . . + Sn ,
also als Summe der Schäden der einzelnen Versicherten. Problem dabei ist, dass
wir aufgrund der Inhomogenität der Versicherten nicht annehmen können, dass
die Schäden der einzelnen Versicherten identisch verteilt sind. Statt dessen müss-
ten wir viele Verteilungen für verschiedene homogene Untergruppen der Versi-
cherten einzeln schätzen.

Statt dessen betrachten wir zur Schätzung des Gesamtschadens das sogenannte
kollektive Modell, bei dem vernachlässigt wird, wer welchen Schaden verur-
sacht hat. Statt dessen wird
XN
S= X1
n=1

gesetzt, wobei X1 , X2 , . . . die (zufälligen) Höhen des 1. Schadens, 2. Schadens

etc. sind, und N die zufällige Anzahl der Schäden ist. Hierbei wir vorausgesetzt,
dass
1.) X1 , X2 , X3 , . . . unabhängig identisch verteilt sind
und dass
2.) N, X1 , X2 , . . . unabhängig sind.
Dabei kann die Annahme der identischen Verteiltheit der X1 , X2 , . . . durch Ver-
wendung einer aus mehreren Verteilungen „zusammengesetzten“Verteilung er-
reicht werden, während 2. primär der Vereinfachung dient.

Es stellt sich nun heraus, dass man sowohl die Schadenzahl N als auch die
Schadenhöhen X1 pro Schadenfall gut modellieren bzw. schätzen kann, und
daraus mit den Formeln von Panjer auch die Verteilung des Gesamtschaden
N
X
S= X1
i=1

zumindest approximativ ermitteln kann.

2.2 Modellierung der Schadenzahl

Die Anzahl von Schäden kann z. B. durch eine Poisson-Verteilung modelliert
werden, d. h.
ϑn −ϑ
P [N = n] = ·e (n ∈ N0 )
n!

5
für ein ϑ > 0.

Man kann zeigen: Diese tritt als Zählprozess zwischen exp(λ)-verteilten unab-
hängigen Wartezeiten im Intervall [0, T ] auf, wobei dann ϑ = λ · T . D. h. wenn
die Wartezeiten zwischen zwei Schäden unabhängig exp(λ)-verteilt ist, ist die
Schadenzahl π(λ · T )-verteilt.
Für eine π(ϑ)-verteilte ZV N gilt:

E(N ) = ϑ, V (N ) = ϑ.

Bei Vorliegen von Beobachtungen n1 . . . nk von N kann ϑ mit Hilfe des Maximum-
Likelihood-Prinzips geschätzt werden:

k k
Y Y ϑ ni
ϑ̂ = argmaxϑ>0 Pϑ [N = ϑn ] = argmaxϑ>0 · e−ϑ
i=1 i=1
ni !
k
(!) 1 X
= ni .
k i=1

Erweiterungen
a) Poisson-Verteilung volumenabhängig definieren.
Da die Summe von K unabhängigen π(ϑ)-verteilten Zufallsvariablen
π(K · ϑ)-verteilt ist, bietet es sich an, die jährliche Schadenzahl durch eine

π(Kt · ϑ)-verteilt ZV

zu modellieren, wobei Kt die Anzahl der Versicherten im Jahr t ist.

b) Einbeziehung von oszillatorischen jährlichen Einflüsse.

Häufig schwanken die äußeren Bedingungen pro Jahr, z. B. Winter mit
oder ohne Glatteis in der Kfz-Haftpflichtversicherung. Hier kann man die
oszillatorischen jährlichen Einflüsse durch unabhängige identisch verteilte
Zufallsvariablen Qt > 0 (Qualität von Jahr t) modellieren, d. h. man
definiert die Verteilung von N durch

(ϑq)n −ϑq
P [N = n|Qt = q] = ·e (n ∈ N)
n!
und Angabe der Verteilung von Qt .
Wählt man für Qt z. B. eine Gamma-Verteilung mit Parametern λ, ν > 0,
d. h. mit Dichte
( ν
λ
· xν−1 · e−λx , x > 0
f (x) = Γ(ν)
0 , x ≤ 0,

6
 so gilt:
Z
P [N = n] = P [N = n|Qt = q] dQt (q)

(ϑq)n −ϑq
Z
= ·e · f (q) dq
R n!
(ϑx)n −ϑx λν
Z
= ·e · · xν−1 · e−λx dx
R+ n! Γ(ν)
ϑn λν
Z
= · · xn+ν−1 · e−(λ+ϑ)·x dx
n! Γ(ν) R+
ϑn λν (λ + ϑ)n+ν
Z
Γ(n + ν)
= · · · xn+ν−1 · e−(λ+ϑ)·x dx
n! Γ(ν) (λ + ϑ)n+ν R+ Γ(n + ν)
| {z }
=1

Mit Z ∞
Γ(k) = x k−1
| {z } e−x dx = (k − 1) · Γ(k − 1)
· |{z}
0
u(x) v 0 (x)
u0 (x)=(k−1)·xk−2

folgt
ϑn λν
P [N = n] = · · (n + ν − 1) · (n + ν − 2) · . . . · ν
n! (λ + ϑ)n+ν
   ν  n
n+ν−1 λ ϑ
= · ·
n λ+ϑ λ+ϑ
 
n+ν−1
= · pν · (1 − p)n
n
λ ϑ
mit p = , d. h. 1 − p = .
λ+ϑ λ+ϑ
Also ist in diesem Fall N negativ binomialverteilt.

2.3 Modellierung der Schadenhöhen pro Schadenfall

Empirisch kann hier eine Reihe von Modellen als sinnvoll betrachtet werden. Im
Folgenden behandeln wir von diesen die Lognormalverteilung:

Definition:
Ist X N (µ, σ)-verteilt, so heißt die Verteilung von

Y = exp(X) Lognormalverteilung.

Hierbei ist log(Y ) normalverteilt, was den Namen motiviert.

7
Wir leiten zunächst die Dichte der Lognormalverteilung her:
Für die Verteilungsfunktion F von Y gilt für y > 0:
F (y) = P [Y ≤ y] = P [exp(X) ≤ y]
= P [X ≤ log(y)]
Z log(y)
= f (x) dx,
−∞

wobei f die Dichte von X ist. Durch Ableiten erhält man daraus die Dichte g
von Y , d. h. für y > 0 gilt: g(y) = P 0 (y) = f (log(y)) · y1 (sowie g(y) = 0 für
y ≤ 0).

Mit
(x − µ)2
 
1
f (x) = √ · exp −
2ασ 2σ 2
folgt also für die Dichte g von Y :
 
(log(y)−µ)2
(
√1 · 1
· exp − 2 ,y > 0
g(y) = 2ασ y 2σ
0 , y ≤ 0.
Anpassung der Lognormalverteilung an beobachteten Daten (also der Parameter
µ und σ 2 an gegebene Schadenhöhen y1 , . . . , yn ) kann mit Hilfe des Maximum-
Likelihood-Prinzips erfolgen:

(µ̂, σ̂ 2 ) = argmax(µ,σ2 ) L(µ, σ 2 )

mit
n n 2
Y Y 1 1 − (log yi −µ)
L(µ, σ 2 ) = g(yi ) = √ · ·e 2σ 2

i=1 i=1
2ασ yi
n
! n
!
Y 1 −n 1 X
= √ ·σ · exp − 2 (log yi − µ)2
i=1
2α yi 2σ i=1

Nullsetzen der partiellen Ableitungen der Loglikelihood-Funktion führt auf

" n
#
(!) ∂ 2 ∂ 1 X 2
0= log L(µ, σ ) = − 2 (log(yi ) − µ)
∂µ ∂µ 2σ i=1
n
1 X
=− · 2 · (log(yi ) − µ) · (−1)
2σ 2 i=1
n
!
1 X
= 2· log(yi ) − n · µ
σ i=1
n
1X
⇒ µ̂ = log(yi )
n i=1

8
sowie
∂
0= log L(µ, σ 2 )
∂σ 2 " #
n
∂ h n 2
i ∂ 1 X 2
=0+ − · log σ + − 2 (log(yi ) − µ)
∂σ 2 2 ∂σ 2 2σ i=1
n
n 1 1 1 X
=− · 2+ · 2 2 (log(yi ) − µ̂)2
2 σ 2 (σ ) i=1
n n
1X 1X
⇒ σ̂ 2 = (log(yi ) − µ̂)2 = (log(yi ) − µ̂)2 .
n i=1 n i=1

2.4 Gesamtschadenverteilung
Im kollektiven Modell modellieren wir den Gesamtschaden durch
N
X
S= Xn ,
n=1

wobei N die Schadenzahl ist und X1 , X2 , . . . die Schadenhöhen sind. Dabei set-
zen wir voraus, dass die Schadenhöhen unabhängig und identisch verteilt sind,
und dass die Schadenzahl von den Schadenhöhen unabhängig ist.

Die letzte Annahme ist nicht immer realistisch: Z. B. führt in der Kfz-Haftpflicht-
Versicherung ein Winter mit Glatteis zu vielen kleineren Schäden, d. h. dann ist
N groß und gleichzeitig sind die Schadenhöhen klein.

Im kollektiven Modell lassen sich Erwartungswert und Varianz des Gesamtscha-

dens leicht aus den entsprechenden Größen für Schadenhöhe und Schadenzahl
bestimmen, denn es gilt:
Lemma 2.1. Sind X1 , X2 , . . . unabhängig identisch verteilte reelle Zufallsvaria-
blen, und ist N eine N0 -wertige Zufallsvariable, die von X1 , X2 , . . . unabhängig
ist, so gilt:
hP i
N
a) E i=1 Xi = EN · EX1 .
P 
N
b) V i=1 Xi = EN · V (X1 ) + V (N ) · (E(X1 ))2 .

Beweis: a) 0BdA gilt X1 ≥ 0 (sonst zerlegen wie die X1 in Positiv- und Negati-
vanteil). Durch Anwendung des Satzes von der monotonen Konvergenz erhalten
wir dann:

9
 ∞
" N
# k
!
X X X
E Xi = E 1[N =k] · Xn
i=1 k=0 n=1
∞
" k
#
X X
= E 1[N =k] · Xn
k=0 n=1
∞ k
!
(Unabhängigkeit) X X
= P [N = k] · E X1
k=0 n=1
∞
X
= EX1 · k · P [N = k]
k=0
= EX1 · EN.

b) Analog erhalten wir


N
!2  
∞ k
!2 
X X X
E Xi  = E  1[N =k] Xn 
i=1 k=0 n=1

∞

k
!2 
X X
= P [N = k] · E  Xn  .
k=0 n=1

Mit

k
!2  k
! k
!!2
X X X
E Xn  = V Xn + E Xn
n=1 n=1 n=1

k k
!!2
(Unabhängigkeit) X X
= V (Xn ) + E Xn
n=1 n=1
(Identische Verteiltheit)
= k · V (X1 ) + (k · EX1 )2

folgt

N
!2  ∞
X X
E Xi  = P [N = k](k · V (X1 ) + k 2 · (EX1 )2 )
i=1 k=0
∞
X ∞
X
2
= V (X1 ) · k · P [N = k] + (EX1 ) · k 2 · P [N = k]
k=0 k=0
= V (X1 ) · EN + (EX1 )2 · E(N 2 ).

10
Damit erhalten wir
N
! 
N
!2  N
!!2
X X X
V Xi = E  Xi  − E Xi
i=1 i=1 i=1

= V (X1 ) · EN + (EX1 )2 · E(N 2 ) − (EN · EX1 )2

= V (X1 ) · EN + (EX1 )2 · (E(N 2 ) − (EN )2 )
= V (X1 ) · EN + (EX1 )2 · V (N ).

Im Folgenden wollen wir nun die Verteilung des Gesamtschadens (z. B. beschrie-
ben durch die Verteilungsfunktion) bestimmen, um damit wie in Abschnitt 1.3
den Schwankungszuschlag unter Verwendung der Illiquiditätswahrscheinlichkeit
bestimmen zu können. Dazu approximieren wir zunächst die Verteilung PX1 der
Schadenhöhen durch eine diskrete Verteilung PX 1 , die auf

{k · h : k = 0, 1, . . . , K}

konzentriert ist. (fk )k = 0, 1, . . . , K sei die Zähldichte von PX 1 , d. h.

fk = P [X 1 = k · h] (k = 0, 1, . . . , K).

Eine solche Approximation erhalten wir z. B. in dem wir setzen

    
1 1
fk = P k− · h < X1 ≤ k + ·h
2 2
für k = 0, 1, . . . , K. Alternative Vorgehensweisen, die die Momente erhalten,
finden sich in Mack (2002). Sodann approximieren wir den Gesamtschaden
N
X
S= Xn
n=1

durch
N
X
S= X n.
n=1

S ist eine diskrete Zufallsvariable, deren Verteilung auf {k · h : k ∈ N0 } konzen-

triert ist. Deren Zähldichte (gk )k∈N0 mit

gk = P [S = k · h]
können wir mit Hilfe des folgenden Satzes bestimmen.
Satz 2.1. (Formeln von Panjer).
Sind X 1 , X 2 , . . . unabhängige identisch verteilte und auf

{k · h : k = 0, 1, . . . , K}

11
konzentrierte Zufallsvariablen mit Zähldichte

fk = P [X 1 = k · h] (k = 0, 1, . . . , K),

und ist N eine von X 1 , X 2 , . . . unabhängige N0 -wertige Zufallsvariable, für deren

Zähldichte
pn = P [N = n] (n ∈ N0 )
die Rekursion
n · pn = (n · a + b) · pn−1 (n ∈ N) (2.1)
für Zahlen a, b ∈ R gilt, so lässt sich die Zähldichte

gk = P [S = k · h] (n ∈ N)

von
N
X
S= Xn
n=1

rekursiv wie folgt bestimmen:

(
p0 · exp(f0 · b) für a = 0
g0 = p0 (2.2)
b 6 0
für a =
(1−f0 ·a)1+ a

und
k
1 X j
gk = (a + b · ) · fj · gk−j für k ≥ 1. (2.3)
(1 − f0 · a) j=1 k

Bemerkung: Voraussetzung (2.1) ist insbesondere für die Poisson-Verteilung

erfüllt, da für n ∈ N gilt:

λn −λ λn−1
n· · e = (n · 0 + λ) · · e−λ .
n! (n − 1)!

Also gilt hier (2.1) mit a = 0 und b = λ.

Beweis von Satz 2.1:

Seien u, v und w die erzeugenden Funktionen von N, X 1 /h und S/h, d. h. für
z ∈ (−1, 1) gilt:
∞
X ∞
X
u(z) = E(z N ) = P [N = n]z n = pn · z n ,
n=0 n=0
  ∞
X ∞
X
v(z) = E z X 1 /h = P [X 1 = k · h] · z k = fk · z k ,
k=0 k=0
  ∞
X ∞
X
w(z) = E z S/h = P [S = k · h] · z k = gk · z k .
k=0 k=0

12
Im ersten Schritt des Beweises zeigen wir:

w0 (z) = a · w0 (z) · v(z) + (a + b) · v 0 (z) · w(z) für z ∈ (−1, 1). (2.4)

Dazu betrachten wir

 PN 
w(z) = E z n=1 X n /h
∞
!
X Pk
X n /h
= E I[N =k] · z n=1 .
k=0

Anwendung des Satzes von der majorisierten Konvergenz (mit Majorante

∞
X
I[N =k] · 1,
k=0

die Erwartungswert 1 hat) liefert:

∞
X  Pk 
w(z) = E I[N =k] · z n=1 X n /h
n=0
∞ k  
(Unabhängigkeit) X Y
= P [N = k] · E z X n /h
n=0 n=1
X∞
= P [N = k] · v(z)k
n=0
= u(v(z)),

d.h. wir haben gezeigt: w(z) = u(v(z)).

Ableiten liefert w0 (z) = u0 (v(z)) · v 0 (z).

Mit

∞
X
u0 (z) = n · pn · z n−1
n=1
X∞
(2.1)
= (n · a + b) · pn−1 · z n−1
n=1
X∞
= ((n − 1) · a + (a + b)) · pn−1 · z n−1
n=1
∞
X ∞
X
= a·z· (n − 1) · pn−1 · z n−2 + (a + b) pn−1 · z n−1 ,
n=1 n=1

13
also

u0 (z) = a · z · u0 (z) + (a + b) · u(z) (2.5)

folgt daraus

w0 (z) = (a · v(z)u0 (v(z)) + (a + b) · u(v(z))) · v 0 (z)

= a · v(z) · u0 (v(z)) · v 0 (z) + (a + b) · u(v(z)) · v 0 (z)
= a · v(z) · w0 (z) + (a + b) · w(z) · v 0 (z),

womit (2.4) gezeigt ist.

Im zweiten Schritt des Beweises zeigen wir (2.3) durch Koeffizientenver-

gleich in (2.4). Nach (2.4) gilt

w0 (z) = a · w0 (z) · v(z) + (a + b) · v 0 (z) · w(z).

Für die linke Seite erhalten wir:

∞
X ∞
X
w0 (z) = k · gk · z k−1 = (k + 1) · gk+1 · z k .
k=1 k=0

Die rechte Seite ist gleich

∞ ∞
! !
X X
k m
a· (k + 1) · gk+1 · z · fm · z
k=0 m=0
∞ ∞
! !
X X
+ (a + b) · (m + 1) · fm+1 · z m · gk · z k
m=0 k=0
∞
X
= ck · z k ,
k=0

wobei nach dem Multiplikationssatz für die Potenzreihen gilt:

k
X k
X
ck = a · (m + 1) · gm+1 · fk−m + (a + b) · (m + 1) · fm+1 · gk−m .
m=0 m=0

Daher führt ein Koeffizientenvergleich in (2.4) auf

k
X k
X
(k + 1) · gk+1 = a · (m + 1) · gm+1 · fk−m + (a + b) · (m + 1) · fm+1 · gk−m
m=0 m=0

14
bzw.
(k + 1) · gk+1 − a · (k + 1) · gk+1 · f0
k−1
X k
X
=a· (m + 1) · gm+1 · fk−m + (a + b) · (m + 1) · fm+1 · gk−m
m=0 m=0
k
X k
X
=a· m · gm · fk−m+1 + (a + b) · (k − m + 1) · fk−m+1 · gm ,
m=0 m=0

wobei in der ersten Summe der Summand für m = 0 verschwindet, und in der
zweiten Summe eine Indextransformation durchgeführt wurde, bei der m durch
k − m ersetzt wurde.

Dies impliziert
(k + 1) · gk+1 · (1 − a · f0 )
k
X
= (a · m + (a + b) · (k − m + 1)) · gm · fk−m+1
m=0
k
X
= (a · (k + 1) + b · (k − m + 1)) · gm · fk−m+1
m=0
k+1
X
= (a · (k + 1) + b · j) · fj · gk+1−j
j=1

wobei in der letzten Summe k − m + 1 durch j ersetzt wurde.

Insgesamt ist damit gezeigt:

k+1
X 
1 b
gk+1 = a+ · j · fj · gk+1−j
1 − a · f0 j=1 k+1

für k ∈ N0 , was (2.3) impliziert.

Im dritten (und letzten) Teil des Beweises zeigen wir (2.2). Nach (2.5) gilt
u0 (z) = a · u0 (z) · z + (a + b) · u(z),
was impliziert
u0 (z) a+b
=
u(z) 1−a·z
Daher gilt:
Z z Z z 0
d u (t)
log(u(z)) − log(u(0)) = log(u(t))dt = dt
0 dt 0 u(t)
(
z
b·z
Z
(s.o.) a+b , falls a = 0
= = a+b
0 1−a·t −a · log(1 − a · z) , falls a =
6 0.

15
Damit erhalten wir

(Def.) u(f0 )
g0 = w(0) = u(v(0)) = u(f0 ) = · u(0)
u(0)
= exp(log u(f0 ) − log u(0)) · p0
(
(s.o.) p0 · exp(b · f0 ) , falls a = 0
= a+b
p0 · exp(− a · log(1 − a · f0 )) , falls a = 6 0
(
p0 · exp(b · f0 ) , falls a = 0
= 1+b/a
.
p0 /(1 − a · f0 ) , falls a 6= 0

16
3 Tarifkalkulation
3.1 Einführung
In diesem Kapitel soll für alle Risiken eines Versicherungszweiges (wie z. B. der
Autohaftpflicht) der mittlere zukünftige Schaden pro Risiko geschätzt werden.
Aus dieser Schätzung kann man unter Berücksichtigung des Schwankungszu-
schlags, der Betriebskosten und des gewünschten Gewinns wie in Abschnitt 1.3
erläutert die Prämie berechnen.

Im Folgenden werden wir zunächst die Gesamtheit der Risiken in Tarifklassen

unterteilen, wobei innerhalb jeder Tarifklasse der mittlere zukünftige Schaden
möglichst homogen sein soll, und anschließend pro Tarifklasse den mittleren zu-
künftigen Schaden schätzen.

3.2 Bildung von Tarifklassen

Im Folgenden bilden wir Tarifklassen, um jeweils Gruppen von Versicherten bei
der Schätzung des mittleren Schadens zur Verfügung zu haben. Dazu gehen wir
wie folgt vor:
1.) Auflistung aller Risikomerkmale, die einen potentiellen Einfluss auf den
Schadenverlauf haben.
z. B. in der Kfz-Haftpflicht:
– Fahrzeugmodell
– Jahresfahrleistung
– Fahrgebiet ...
2.) Bei jedem Risikomerkmal Ausprägungen mit ähnlichem Einfluss auf die
Schadenerfahrung zu Ausprägungsklassen zusammenfassen.
Z. B. bei Jahresfahrleistung (in km) könnten wir Klassen bilden wie
[0,10.000), [10.000, 15.000), [15.000, 20.000),...
3.) Diejenigen Risikomerkmale auswählen, die einen deutlichen Einfluss auf
den Schadenverlauf haben.
Im Weiteren stellen wir exemplarisch jeweils ein Verfahren zur Durchführung
von 2.) bzw. 3.) vor.

3.2.1 Ein agglomeratives Verfahren zur Bildung von Ausprägungs-

klassen
Wir betrachten ein nominal skaliertes Risikomerkmal mit vielen Ausprägungen
(z. B. Postleitzahlengebiete oder Betriebsarten (Apotheken bis Zeitschriftenhan-
del)).

17
Zu Beginn ist jede Ausprägung in einer einzelnen Klasse enthalten. Dann werden
solange Klassen miteinander verschmolzen, solange sich der erwartete Schaden
nicht zu sehr unterscheidet.

Im Falle von log-normalverteilten Schadenhöhen können wir dazu einen Zwei-

stichproben t-Test für die Gleichheit von Erwartungswerten verwenden: Sind
nämlich S1,1 , . . . , Sn1 ,1 , S1,2 , . . . , Sn2 ,2 die Schadenhöhen in Klasse 1 bzw. in
Klasse 2, so setzen wir

X1 = log(S1,1 ), . . . , Xn1 = log(Sn1 ,1 )

als unabhängig N (µX , σ 2 )-verteilt, und

Y1 = log(S1,2 ), . . . , Yn2 = log(Sn2 ,2 )

als unabhängig N (µY , σ 2 )-verteilt voraus, wobei X1 , . . . , Xn1 , Y1 , . . . , Yn2 unab-

hängig sind.

Der Zweistichproben t-Test lehnt

H0 : µX = µY

zum Niveau α ∈ (0, 1) ab, falls

q
n1 ·n2 X̄−Ȳ
n1 +n2 · S > tn1 +n2 −2; α

ist, wobei
n1 n2
1 X 1 X
X̄ = Xi , Ȳ = Yj
n1 i=1 nj j=1

und Pn1 Pn2

2 i=1 (Xi − X̄)2 + j=1 (Yj − Ȳ )2
S =
n1 + n2 − 2
ist. Hierbei ist tn1 +n2 −2; α das α-Fraktil der t-Verteilung mit n1 + n2 − 2 Frei-
heitsgraden.

Wir verschmelzen nun solange Klassen, solange die Hypothese der Erwartungs-
werte durch den t-Test zu einem vorgegebenen Niveau (z. B. α= 5%) nicht
abgelehnt wird. Dabei kann zuerst noch mit dem F-Test überprüft werden, ob
die Voraussetzung der Gleichheit der Varianzen in beiden Klassen überhaupt
erfüllt ist.

3.2.2 Auswahl der Tarifmerkmale

Meist ist die Zahl der Risikomerkmale, die für sich alleine betrachtet einen
Einfluss auf den Schadenverlauf haben, sehr groß. Aber es bestehen gegenseitige
Abhängigkeiten zwischen den Risikomerkmalen, weswegen nicht alle gleichzeitig

18
verwendet werden müssen. Z. B. besteht in der Kfz-Haftpflicht eine Abhängig-
keit zwischen Geschlecht und Wagnisstärke, da Männer die stärker motorisierten
PKWs fahren.

Wir gehen bei der Auswahl der Tarifmerkmale wieder schrittweise vor: Wir
nehmen sukzessive das Risikomerkmal hinzu, das bei festgehaltenen Werten der
anderen bereits ausgewählten Risikomerkmalen den deutlichsten Einfluss auf
den Schadenverlauf hat. Anschließend streichen wir alle die Risikomerkmale,
die nach Aufnahme des aktuellen Risikomerkmals keinen Einfluss auf den Scha-
denverlauf mehr haben.

Zur Entscheidung, ob ein Einfluss auf den Schadenverlauf vorliegt, kann bei
log-normalverteilten Schadenhöhen die einfaktorielle Varianzanalyse (angewen-
det auf die logarithmierten Schadenhöhen) verwendet werden. Bei dieser sind
unabhängige normalverteilte Zufallsvariablen
(1) (2) (k)
X1 , . . . , Xn(1)
1
, X1 , . . . , Xn(2)
2
, . . . , X1 , . . . , Xn(k)
k

gegeben, wobei
(j)
X1 , . . . , Xn(j)
j
identisch N (µj , σ 2 ) − verteilt
sind (j = 1, . . . , k).

Die Hypothese
H0 : µ1 = µ2 = . . . = µk
wird dann abgelehnt, falls
SS12
> Fk−1,n−1;α
SS22
ist, wobei
k
1 X
SS12 = nj · (X̄ (j) − X̄)2
k − 1 j=1
mit
k nj
1 X X (j)
X̄ = X ,
n j=1 i=1 i
n = n1 + . . . + nk ,
nj
1 X (j)
X̄ (j) = X
nj i=1 i
und
k nj
1 X X (j)
SS22 = (X − X̄ (j) )2
n − k j=1 i=1 i
Dabei muss das Verfahren modifiziert werden, sofern bereits mindestens ein
Tarifmerkmal ausgewählt wurde, vgl. Mack (2002), Abschnitt 2.3.3.

19
3.3 Schätzung des mittleren zukünftigen Schadens pro Ta-
rifklasse
Im Allgemeinen verwendet ein Tarif mehr als nur ein Risikomerkmal. Z. B. gilt
beim deutschen PKW-Haftpflicht-Tarif:

Risikomerkmal Anzahl Unterteilungen

Fahrzeugstärke 11
Tarifgruppe (Fahrgebiete und Berufsgruppen) 17
individueller Schadenverlauf 22
Damit gibt es hier insgesamt 11*17*22= 4114 Tarifklassen (oder Zellen).

Für eine isolierte Schätzung des mittleren zukünftigen Schadens für jede einzel-
ne Tarifklasse liegen nun aber eventuell zu wenige Daten vor. Daher verwendet
man zur Schätzung auch Werte von „Nachbarzellen“.

Üblich ist hierbei die Verwendung von sogenannten Marginalfaktoren: Die

Schätzung für eine Tarifklasse ergibt sich dabei aus einer Grundprämie multi-
pliziert mit Faktoren für jedes einzelne Risikomerkmal, dass bei der Bildung der
Tarifklassen verwendet wurde.

Z. B. wird im Falle von zwei Risikomerkmalen die Schätzung wie folgt gebildet:

Schätzung Ausprägung von Risikomerkmal 2

1 2 ... K
y1 y2 ... yK
Ausprägung von Risikomerkmal 1
1 x1 x1 · y1 x1 · y2 ... x1 · yK
2 x2 x1 · y2 x2 · y2 ... x2 · yK
.. .. .. .. ..
. . . . .
I xI xI · y1 xI · y2 ... xI · yK
bzw. Schätzung (i, j) = b · xi · yj mit

b = Grundprämie

x1 , . . . , xI , y1 , . . . , yK Zu- bzw. Abschläge mit x1 = y1 = 1.

Dieser Ansatz bietet den großen Vorteil, dass man statt

I ·K

Werten nur
(I − 1) + (K − 1) + 1 = I + K − 1
Werten schätzen muss. Desweiteren kann der entstandene Tarif dem Kunden
noch erklärt werden (z. B. indem man darauf hinweist, dass das Abstellen des

20
Autos bei Nacht in einer Garage den Betrag der KFZ-Versicherung um eine
gewisse Prozentzahl senkt).

Offensichtlicher Nachteil ist jedoch, dass die angenommene multiplikative Struk-

tur bei den mittleren Schadenhöhen keineswegs erfüllt sein muss, was zu schlech-
ten Schätzungen führen kann.

Im Folgenden betrachten wir zwei Verfahren zur Bestimmung von Marginalfak-

toren x1 , . . . , xI , y1 , . . . , yK ausgehend von gegebenen

• Gesamtschäden si,k
• Volumen bzw. Gesamtversicherungssumme vi,k
pro Zelle (i, k) (i = 1, . . . , I, k = 1, . . . , K).
Beim Verfahren von Bailey/Simon werden die x1 , . . . , yK durch Minimie-
rung von
I X
X K
Q= (si,k − vi,k · xi · yk )2 /(vi,k · xi · yk )
i=1 k=1

bestimmt.

Hierbei gilt
I X
K
X
2 si,k
Q = vi,k ·( − xi · yk )2 /(vi,k · xi · yk )
i=1 k=1
vi,k
I X
K
X si,k
= vi,k · ( − xi · yk )2 /(xi · yk )
i=1 k=1
vi,k
I X
X K
= vi,k · (zi,k − xi · yk )2 /(xi · yk )
i=1 k=1

mit zi,k = si,k /vi,k .

Nullsetzen der partiellen Abteilungen von Q nach xi0 liefert

21
 I K
(!) ∂ XX
0 = vi,k · (zi,k − xi · yk )2 /(xi · yk )
∂xi0 i=1 k=1
K
∂ X
= vi0 ,k · (zi0 ,k − xi0 ,k · yk )2 /(xi0 · yk )
∂xi0
k=1
K  
X
2 −1
= vi0 ,k · 2(zi0 ,k − xi0 · yk ) · (−yk )/(xi0 · yk ) + (zi0 ,k − xi0 · yk ) · 2
xi0 · yk
k=1
K
!
X zi ,k zi2 ,k zi ,k
= vi0 ,k · −2 0 + 2yk − 2 0 + 2 0 − yk
xi0 xi0 · yk xi0
k=1
K K
X 1 X zi20 ,k
= vi0 ,k · yk − · vi0 ,k · .
x2i0 yk
k=1 k=1

Daraus folgt v
u PK
u k=1 (vi0 ,k · zi2 ,k )/yk
0
xi0 =t PK (3.1)
k=1 i0 ,k · yk
v
Analog führt
(!) ∂
0= Q
∂yk0
auf v
u PI 2 )/x
u i=1 (vi,k0 · zi,k i
0
yk 0 =t PI (3.2)
i=1 vi,k0 · xi

(Symmetrie beachten!).

Die Gleichungen (3.1) und (3.2) stellen Fixpunktgleichungen dar. Man kann
diese näherungsweise lösen, indem man mit yk = 1 (k = 1, . . . , K) startet, und
dann sukzessive in (3.1) bzw. (3.2) einsetzt.

Bemerkung:
Wegen des Quadrats in der Definition von Q hat das obige Verfahren den Nach-
teil, dass es empfindlich auf Ausreißer reagiert.

Beim Marginalverfahren versucht man, x1 , . . . , yK so zu bestimmen, dass gilt:

K
X K
X
vi,k · xi · yk = si,k (i = 1, . . . , I) (3.3)
k=1 k=1

I
X I
X
vi,k · xi · yk = si,k (k = 1, . . . , K) (3.4)
i=1 i=1

22
Dazu löst man (3.3) bzw. (3.4) wieder nach xi bzw. yk auf und setzt sukzessive
in die entstehende Fixpunktgleichung ein.

Nach Konstruktion stimmt hier für jede Ausprägungsklasse jedes Tarifmerk-

mals die Summe der Bedarfsprämien mit dem dort beobachteten Gesamtscha-
den überein.

Weiter ist das obige Verfahren nicht so empfindlich gegen Ausreißer wie das
Verfahren von Bailey/Simon, da oben kein Quadarat auftaucht.

23
4 Schadenreservierung bei lang andauernder Scha-
denabwicklung
4.1 Einführung
Zwischen Eintritt eines versicherten Schadenfalles und dessen endgültiger Re-
gulierung kann unter Umständen eine lange Zeit verstreichen, da:

1. Schäden evtl. erst lange nach ihrer Untersuchung bemerkt werden, z. B.

Fehler eines Architekten, Notars oder eines industriellen Produktes. Man
spricht hierbei von IBNR-Schäden (incurred but not reported).
2. es unter Umständen lange dauert, bis die endgültige Schadenhöhe fest-
steht, z. B. wenn sie vom Ausgang eines Gerichtsprozesses oder vom Erfolg
einer ärztlichen Behandlung abhängt. Für diese Schäden ist eine IBNER-
Reserve nötig (incurred but not enough reserved).

Zur Begleichung der daraus resultierenden Kosten ist eine Spätschadenreser-

ve erforderlich. Diese dient insbesondere zur:
• externen Rechnungslegung
• Prämienkalkulation (denn die Spätschäden müssen von den Prämien im
Jahr des Anfalls des Schadens bezahlt werden).
Idee zur Berechnung einer Spätschadenreserve (oder Schadenreserve):
Übertrage Erfahrungen aus früheren Anfalljahren (d. h. Schadeneintrittsjahren)
auf spätere Anfalljahre.

4.2 Das Abwicklungsdreieck

Die beobachteten Daten werden in sogenannten Abwicklungsdreiecken darge-
stellt.

Beispiel:
Unmittelbar nach Ende des Jahres 2008 liegt das folgenden Abwicklungsdreieck
vor, das die für Schäden aus den Anfalljahren 2005-2008 in den einzelnen Ab-
wicklungsjahren geleisteten Zahlungen (in 1000 e) enthält:

Anfalljahr Abwicklungsjahr
2005 2006 2007 2008
2005 1001 854 568 347
2006 1113 671 422
2007 1265 1168
2008 1725
Wir gehen jetzt zu einer Darstellung mit relativen Abwicklungsjahren, d. h. mit
Angabe der Verzögerungen in Bezug auf die Anfalljahre, über.

24
Dafür erhalten wir:

Anfalljahr Abwicklungsjahr k
0 1 2 3
2005 1001 854 568 347
2006 1113 671 422
2007 1265 1168
2008 1725
Diese Darstellung hat den Vorteil, dass Daten mit gleicher Verzögerung in Be-
zug auf die Anfalljahre jetzt untereinander stehen.

Anschließend ist es üblich, auch zu relativen Anfalljahren überzugehen, d. h.

man schreibt:

Anfalljahr Abwicklungsjahr k
i 0 1 2 3
0 1001 854 568 347
1 1113 671 422
2 1265 1168
3 1725
Ziel im Folgenden:
Vorhersage der Werte für die „leeren Felder“, d. h. im Beispiel oben für die Felder
(i, k) mit i + k > 3.

Bemerkungen:
a) Die Tabelle ist in realen Anwendungen natürlich viel größer.
b) Im Folgenden gehen wir davon aus, dass die eingetragenen Schäden (z. B.
unter Verwendung eines geeigneten Preisindex) inflationsbereinigt sind.
Falls das nicht der Fall ist, wird die Inflation sonst in die Zukunft fortge-
schrieben, ohne dass Änderungen bei der Inflation erkannt werden.
c) Als Schäden können in das Abwicklungsdreieck sowohl bezahlte Schäden
(deren Höhe genau bekannt ist) als auch angefallene Schäden (die ge-
schätzt, aber dafür auch sehr aktuell sind) eingetragen werden.
d) Das auftretende Schätzproblem ist schwierig, da die Zahl der Schäden mit
langer Abwicklungsdauer nur ein kleiner Teil der Gesamtzahl aller Schäden
ist. Folglich stehen zur Schätzung nur wenige Daten zur Verfügung.

4.3 Das Chain-Ladder-Verfahren

Gegeben ist Abwicklungsdreieck

(Si,k )0≤i≤I, 0≤k≤I

25
 mit Anfalljahr i und Abwicklungsjahr k. Bei diesem sollen ausgehend von be-
obachteten Werten von
(Si,k )0≤k≤I−i, 0≤i≤I
die Werte von
(Si,k )I−i<k≤I, 0≤i≤I

vorhergesagt werden.

Damit kann dann insbesondere der für die Prämienkalkulation benötigte End-
schaden
Ci,I = Si,0 + Si,1 + . . . + Si,I ,
von dem bisher nur

Ci,I−i = Si,0 + Si,1 + . . . + Si,I−i

bekannt ist, geschätzt werden.

Im Folgenden definieren wir Schadenstände Ci,k durch

Ci,k = Si,0 + Si,1 + . . . + Si,k ,

d. h. Ci,k beschreibt die für Schäden aus dem Anfalljahr i bis zum Abwicklungs-
jahr k insgesamt geleisteten Zahlungen.

Fassen wir (Ci,k )0≤i≤I, 0≤k≤I als Zufallsvariablen auf, so liegen dem Chain-
Ladder-Verfahren die folgenden Annahmen zugrunde:

(CL1 ) Es gibt Abwicklungsfaktoren f0 , . . . , fI−1 ∈ R mit

E(Ci,k+1 |Ci,1, . . . , Ci,k ) = Ci,k · fk

für alle 0 ≤ i ≤ I, 0 ≤ k ≤ I − 1.
(CL2 ) Die Zufallsvektoren (Ci,1 , . . . , Ci,I ) (0 ≤ i ≤ I) sind unabhängig.

Voraussetzung (CL1 ) impliziert für Ci,k > 0 :

    
Ci,k+1 Ci,k+1
E = E E |Ci,1 , . . . , Ci,k
Ci,k Ci,k
 
1
= E E(Ci,k+1 |Ci,1 , . . . , Ci,k )
Ci,k
 
(CL1 ) 1
= E · Ci,k · fk
Ci,k
= fk ,

26
d. h. unabhängig vom Anfalljahr i ändert sich der Schadenstand nach dem k-ten
Abwicklungsjahr im Mittel prozentual um einen nur von k abhängenden Faktor.

Wir schätzen nun die Faktoren

 
Ci,k+1
fk = E
Ci,k
durch ein gewichtetes Mittel der beobachteten prozentualen Änderungen
Cj,k+1
(j = 0, 1, . . . , I − k − 1).
Cj,k
Genauer verwenden wir
PI−k−1 Cj,k+1 PI−k−1
ˆ j=0 Cj,k · Cj,k j=0 Cj,k+1
fk = P I−k−1
= PI−k−1 .
j=0 Cj,k j=0 Cj,k
Sodann schätzen wir den Endschadenstand
Ci,I−i+1 Ci,I−i+2 Ci,I
Ci,I = Ci,I−i · · · ... ·
Ci,I−1 Ci,I−i+1 Ci,I−1
durch

Ĉi,I = Ci,I−i · fˆI−i · fˆI−i+1 · . . . · fˆI−1 .

Beispiel: Für das Abwicklungsdreieck

Anfalljahr Abwicklungsjahr
0 1 2 3
0 1001 854 568 347
1 1113 671 422
2 1265 1168
3 1725

berechnen wir zuerst die Schadenstände

Anfalljahr Abwicklungsjahr
0 1 2 3
0 1001 1855 2423 2770
1 1113 1784 2206
2 1265 2433
3 1725

und schätzen damit die Faktoren für die Steigerungen der Schadenstände durch:
1855 + 1784 + 2433
fˆ0 = ≈ 1, 797
1001 + 1113 + 1265
2433 + 2206 2770
fˆ1 = ≈ 1, 272 , fˆ3 = ≈ 1, 143
1855 + 1784 2423

27
Damit können wir die fehlenden Werte vorhersagen gemäß
Anfalljahr Abwicklungsjahr
0 1 2 3
0 1001 1855 2423 2770
1 1113 1784 2206 2206 ·fˆ2 ≈ 2524, 5
2 1265 2433 ˆ
2433 ·f1 ≈ 3094, 8 3094,8 ·fˆ2 ≈ 3537, 3
3 1725 1725 ·fˆ0 ≈ 3099, 8 3943 4506,8
Wir zeigen im Folgenden:

Satz 4.1. Unter den Annahmen (CL1 ) und (CL2 ) sind die Schätzer fˆk und
Ĉi,I erwartungstreu, d. h. es gilt

E(fˆk ) = fk und E(Ĉi,I ) = E(Ci,I ),

Beweis: Es gilt
E(fˆk | Cl,k (l = 0, . . . , I − k − 1))
PI−k−1
j=0 E(Cj,k+1 )| Cl,k (l = 0, . . . , I − k − 1))
= PI−k−1
j=0 Cj,k
PI−k−1
(CL2 ) j=0 E(Cj,k+1 | Cj,k )
= PI−k−1
j=0 Cj,k
PI−k−1
j=0 E(E(Cj,k+1 | Cj,1 , . . . , Cj,k )|Cj,k )
= PI−k−1
j=0 Cj,k
PI−k−1
(CL1 ) j=0 E(Cj,k · fk |Cj,k )
= PI−k−1
j=0 Cj,k
PI−k−1
j=0 Cj,k · fk
= PI−k−1 = fk .
j=0 Cj,k
Daraus folgt die erste Behauptung, da
E(fˆk ) = E(E fˆk |Cl,k (l = 0, . . . , I − k − 1)) = E(fk ) = fk .
s.o

Zum Beweis der zweiten Behauptung beachten wir

E(Ĉi,I ) = E(Ci,I−i · fˆI−i · fˆI−i+1 · . . . · fˆI−1 )

= E(Ci,I−1 E(fˆI−i · . . . · fˆI−1 |Cj,k (k ≤ I − 1, j ≤ I − k − 1)))
= E(Ci,I−1 E(fˆI−i · . . . · fˆI−2 · E(fˆI−1 |Cj,k (k ≤ I − 1, j ≤ I − k − 1)))
E(Ci,I−1 E(fˆI−i · . . . · fˆI−2 · fI−1 ))
analog oben
=
= E(Ci,I−1 · E(E(fˆI−i · . . . · fˆI−2 |Cj,k (k ≤ I − 2, j ≤ I − k − 1))) · fI−1 )
analog
= . . . = E(Ci,I−1 · fI−i · fI−i+1 · . . . · fI−1 ) = E(Ci,I )

28
 4.4 Das Cape-Cod-Verfahren
Beim Chain-Ladder-Verfahren wird der Endschadenstand

Ci,I

durch mulitplikative Fortschreibung

Ci,I−i · fˆI−i · fˆI−i+1 · . . . · fˆI−1

des zuletzt beobachteten Schadenstandes Ci,I−i des Anfalljahres i geschätzt.

Dies führt immer dann zu Problemen, wenn dieser beobachtete Schadenstand
durch Großschäden oder ausgebliebene Schadenlasten stark verfälscht ist.

Die Idee beim Cape-Cod-Verfahren ist es, diesen Effekt zu vermeiden, indem der
zuletzt beobachtete Schadenstand in einen Cape-Cod-Schadenstand und einen
Ausreißereffekt zerlegt wird, und nur ersterer fortgeschrieben wird.

Genauer nehmen wir an, dass die Prämien π0 , π1 , . . . , πI für die Anfalljahre
bekannt sind. Weiter nehmen wir an, dass für die Schadenstände gilt:

(CC 1) Es gibt Abwicklungsfaktoren g0 , g1 , . . . , gI mit gI = 1 und eine globale

Endschadenquote κ > 0 so, dass gilt:
E[Ci,k ] = κ · πi · gk .

Wegen gI = 1 gilt dann

E[Ci,k ] κ · πi · gk
= = gk ,
E[Ci,I ] κ · πi · gI
d. h. gk beschreibt gerade den prozentualen Anteil des Schadenstandes Ci,k
(nach k Abwicklungsjahren) am Endschaden Ci,I , der als unabhängig vom An-
falljahr i angestrebt wird.

Beim Cape-Cod-Verfahren wird gk mit Hilfe der Schätzer fˆk des Chain-Ladder-
Verfahrens für  
Ci,k+1
fk = E
Ci,k
geschätzt durch
1 1 1
ĝk = · · ... · .
fˆk fˆk+1 fˆI−1
Zur Schätzung der Endschadenquote
E[Ci,k ]
κ=
πi · gk
beachten wir gI = 1, was
E[Ci,I ]
κ= (i = 0, . . . , I)
πi

29
impliziert. Wir schätzen nun κ, indem wir Ci,I durch den Chain-Ladder-Schätzer
Ĉi,I ersetzt und über die resultierenden Schätzer ein gewichtetes Mittel bilden:
I PI
X ĝI−i · πi Ĉi,I Ci,I−i
κ̂ = PI · = PI i=0 .
i=0 j=0 ĝI−j · πj π i j=0 ĝI−j · πj

Abschließend zerlegen wir nun die zuletzt beobachteten Endschadenstände

Ci,I−i

in den Cape-Cod Schadenstand

T̂i,I−i = ĝI−1 · πi · κ̂

(vgl. (CC 1)) und den Ausreißereffekt

X̂i = Ci,I−1 − ĝI−1 · πi · κ̂,

lassen den Ausreißereffekt bei der Schätzung von Ci,j mit j > I − i unverändert,
und schreiben hier den Cape-Cod Schadenstand gemäß unserem Modell fort, d.
h. wir schätzen Ci,j durch

T̂i,I−j
Ĉi,j = X̂i + ĝj ·
ĝI−i
= X̂i + ĝj · πi · κ̂.

Beispiel:
Wir betrachten nochmals das Beispiel von oben, diesmal aber zusätzlich mit
Prämien pro Anfalljahr.

Wir schätzen die Quoten durch

1 1 1
ĝ3 = 1, ĝ2 = = ≈ 0, 875, ĝ1 = ≈ 0, 688, etc.
ˆ
f2 1, 143 f1 · fˆ2
ˆ

Abschließend schätzen wir die Endschadenquote durch

2770 + 2206 + 2433 + 1725
κ̂ = ≈ 0, 951
1 · 3000 + 0, 875 · 3000 + 0, 688 · 3000 + 0, 383 · 5000

Für die Schadenstände haben wir: (Cape-Cod Schadenstand)

30
 Anfalljahr Verdiente Prämie Abwicklungsjahr
0 1 2 3
0 3000 1001 1855 2423 2770

1 3000 1113 1784 2206

(2496) (2853)
2 3000 1265 2433
(1962) (2497) (2854)
3 5000 1725
(1821) (3272) (4162) (4758)

Chain-Ladder Faktoren fˆk 1,797 1,272 1,143

Quoten ĝk 0,383 0,688 0,875 1

Damit erhalten wir für die Außreißereffekte:

X̂1 = 2206 − 2496 = −290,

X̂2 = 2433 − 1962 = 471,
X̂3 = 1725 − 1821 = −96.

Die geschätzten Endschadenstände sind damit:

Ĉ1,3 = 2853 + X̂1 = 2563,

Ĉ2,3 = 2854 + 471 = 3325,
Ĉ3,3 = 4758 − 96 = 4662.

31
5 Risikoteilung
5.1 Einführung
Üblich: Versicherungsunternehmen ...

1.) übernimmt Risiken nicht ganz, sondern nur zum Teil,

2.) gibt Teile übernommener Risiken wieder ab.

z. B. zu 1.):
Nichtproportionale Risikoteilung (nur das ist mathematisch interessant!) der
Schadenvariable X:

X = min{X, a} + max{X − a, 0}

für ein a > 0.

Hierbei: − min{X, a} . . . sog. Erstrisiko z. b. Deckungssumme bei Haftpflicht

mit a groß
• bei KFZ-Haftpflicht:
z. B. 50 Mio. Euro für Personen-, Sach- und Personenschäden, jedoch max.
8 Mio. Euro je geschädigter Person

• bei Privat-Haftpflicht
z. B. 50 Mio. Euro, max. 50.000 für Vermögensschäden und max. 8 Mio.
Euro pro geschädigter Person.

• max{X − a, 0} . . . sog. Zweitrisiko

z. B. Selbstbeteiligung bei KFZ-Vollkasko oder privater Krankenversiche-
rung, hier a klein.
Vorteil bei Begrenzung des Risikoschutzes auf das Zweitrisiko:
• Verringerung des Verwaltungs- und Regulierungsaufwandes durch Aus-
schluss von Kleinschäden
• Beeinflussung des moralischen Risikos (z. B. bei KFZ-Vollkasko).
z. B. zu 2.):
Schadenexzedenten-Rückversicherung übernimmt gegen festen Betrag den zu-
fälligen Teil

0,
 falls X ≤ a
min{max{X − a, 0}, b} = X − a, falls a < X ≤ a + b

b, falls X > a + b


32
(sog. „Layer“) des Schadens, wobei a, b ∈ R+ .
Z. B. falls Illiquiditätswahrscheinlichkeit P [S > E(S) + c] zu groß ist. Hier ver-
ringert das Versicherungsunternehmen gegen Zahlung eines festen Betrags sein
Zufallsrisiko.

Frage:
Welche Prämie soll man für Erstrisiko, Zweitrisiko oder „Layer“verlangen?

Zur Beantwortung dieser Frage müssen wir bestimmen, wie sich die Risikoteilung
auf

• „Nettoprämie“, also den erwarteten Schaden

• Schwankungszuschlag
auswirkt.

5.2 Einfluss der Risikoteilung auf die Schadenvariablen

Betrachtet wird die nichtproportionale Risikoteilung

X = min{X, a} + max{X − a, 0}

des Schadens X in Erstrisiko min{X, a} und Zweitrisiko max{X − a, 0}. Wir

stellen den Gesamtschaden im kollektiven Modell dar gemäß
N
X
S= Xn
n=1

mit X1 , X2 , . . . u.i.v. und N unabhängig von X1 , X2 , . . .. Für die Anzahl Schäden

N beim Erstrisiko gilt dann
N = N,
während für die entsprechenden Anzahl N beim Zweitrisiko gilt:

N
X
N= I{Xm >a} .
m=1

33
Hierbei
N
X
P [N = k] = P[ I{Xm >a} = k]
m=1
∞
X N
X
= P[ I{Xm >a} = k, N = n]
n=k m=1
( da für N = k der Wert von N mindestens k sein muss)
∞
X n
X
= P[ I{Xm >a} = k, N = n]
n=k m=1
X∞ Xn
Unabhängigkeit
= P[ I{Xm >a} = k] · P [N = n]
n=k m=1
∞  
X n
= · pk · (1 − p)n−k · P [N = n],
k
n=k

mit
p = P [X > a],
wobei wir benutzt haben, dass
n
X
I{Xm >a}
m=1

b(n, p)-verteilt ist.

Ist nun speziell N π(λ)-verteilt, so folgt:

∞  
X n λn −λ
P [N = k] = · pk · (1 − p)n−k · e
k n!
n=k
∞
!
pk λ k X 1
= · ((1 − p) · λ)n−k · e−λ
k! (n − k)!
n=k
(p · λ)k (1−p)·λ −λ
= ·e ·e
k!
(p · λ)k −p·λ
= ·e ,
k!
d. h. N ist π(λP )-verteilt.

Insbesondere verringert sich bei Übergang zum Zweitrisiko die erwartete Scha-
denzahl von λ auf
EN = λ · p = λ · P [X > a].

34
Für die Schadenhöhe X des Erstrisikos min{X, a} gilt:
Z ∞
E min{X, a} = P {min{X, a} > t} dt,
0

da für die nichtnegative Zufallsvariante Z die Beziehung

Z Z ∞
EZ = I{t<Z} dt dP
ZΩ∞ 0Z
Fubini
= I{t<Z} dP dt
0 Ω
Z ∞
= P [Z > t] dt
0

gilt. Es folgt
Z a
E min{X, a} = P {min{X, a} > t} dt
0
Z a
= P {X > t} dt,
0

was für P [X > a] > 0 kleiner als

Z ∞
EX = P [X > t] dt
0

ist. R∞
Analog für Zweitrisiko (s.u.): E{max{X − a, 0}} = a P {X > t} dt.

Für den Gesamtschaden

N
X N
X N
X
S= Xn = min{Xn,a } + max{Xn − a, 0} = S + S
n=1 n=1 n=1

gilt im kollektiven Modell:

Z a
s. o.
ES = EN · E min{X1 , a} = EN · P [X > t] dt
0
und
Z ∞
ES = EN · E max{X1 − a, 0} = EN · P {max{X1 − a, 0} > t} dt
Z0 ∞
= EN · P {X1 − a > t} dt
Z0 ∞
= EN · P {X1 > t + a} dt
Z0 ∞
= EN · P {X > s} ds.
a

35
5.3 Der Entlastungseffekt
Der sogenannte Entlastungseffekt

E(S)
r(a) =
E(S)

beschreibt den Anteil des Erstschadens am Gesamtschaden und gibt damit den
Teil der Schadenerwartung an, um den der Versicherer beim Übergang zum
Zweitrisiko (d. h. Einführung eines Selbstbehalts) entlastet wird.

Hierbei ist
E(S) E(S)
1 − r(a) = 1 − =
E(S) E(S)
die Entlastung beim Übergang zum Erstrisiko (also z. B. Einführung einer De-
ckungssumme).
Im kollektiven Modell gilt:
P 
N
E n=1 min{Xn , a} Unabhängigkeit EN · E min{X1 , a}
r(a) = P  =
E
N EN · EX1
n=1 X1
Ra
P {X1 > t} dt
= R 0∞ .
0
P {X1 > t} dt

Man sieht, dass der Entlastungseffekt nur von der Verteilung der Schadenhöhen
abhängt.

Man sieht:
1.) r(a) ∈ [0, 1], wobei r(0) = 0 und r(a) → 1 (a → ∞).

2.) r ist monoton wachsend in a, d. h. je größer der Selbstbehalt, umso größer

der Entlastungseffekt.

3.) r0 (a) = P {X1 >a}

EX1 , und sofern a → P {X1 > a} differenzierbar ist, folgt, da
diese Abbildung monoton fallend ist:

r00 (a) ≤ 0.
Nach 3.) ist a → r(a) konkav. Ist dann v die maximale Schadenhöhe (also
r(v) = 1), so gilt

r(c · v) = r(c · v + (1 − c) · 0) ≥ c · r(v) + (1 − c) · r(0)

= c · 1 + (1 − c) · 0 = c

36
für c ∈ (0, 1).

Also gilt für die Entlastung bei Einführung eines Selbstbehalts von c · v, dass
diese den Versicherer mindestens soviel entlastet wie eine Selbstbeteiligung von
100 · c%, die zu einer Entlastung um den Faktor c beim Schaden führt.

5.4 Prämienkalkulation bei Risikoteilung

Wie wir bereits in Kapitel 1 gesehen haben, enthält die Prämie als Bestandteile:

• Schadenerwartung E(S)

• den Schwankungszuschlag s0

• einen Fixkostenzuschlag k0 und einen Proportionalkostenanteil p

Genauer berechnet sie sich zu:
E(S) + s0 + k0
b= .
1−p

Wir haben im vorigen Abschnitt gesehen, dass die Änderung von E(S) zu E(S)
beim Erstrisiko durch den Entlastungseffekt
Ra
E(S) P {X > t}dt
r(a) = = 0
E(S) E(S)

beschrieben wird. In Abhängigkeit der Deckungssumme a kann dieser Effekt

ausgehend von der Verteilungsfunktion der Schadenhöhe berechnet werden.

Der Schwankungszuschlag s0 kann im kollektiven Modell

N
X
S= min{Xn , a}
n=1

(bei Einführung einer Deckungssumme a) ausgehende von der mit Hilfe der For-
mel von Panjer geschätzten Verteilungsfunktion von S bestimmt werden.

Da hierbei die Varianz der Schadenhöhen kleiner wird, wird auch der Schwan-
kungszuschlag bei Einführung einer nichttrivialen Deckungssumme kleiner.

Die beiden Kostenzuschläge bleiben, sofern die Provisionen für die Vertreter
nicht verändert werden, gleich.

Probleme bei Risikoteilung:

37
a) Antiselektion
Die Risiken, die z. B. eine Selbstbeteiligung akzeptieren, haben eventuell
eine andere Schadenhöhenverteilung, so dass der Versicherer Prämien mit
und ohne Selbstbeteiligung dann für die falschen Verteilungen berechnet.

b) Verlust an Information
Versicherer erfährt nichts mehr über Schäden unterhalb von a, sofern er
nur das Zweitrisiko max{X − a, 0} übernimmt.

c) Inflation
Ändert sich durch Inflation die Schadenhöhe, der Selbstbehalt aber nicht,
so ändert sich der Entlastungseffekt.

38