Assurances Climatiques Paramtriques 1 Speedwell Weather Cre en

  • Slides: 52
Download presentation
Assurances Climatiques Paramétriques 1

Assurances Climatiques Paramétriques 1

Speedwell Weather • Créée en 1999 – Bureaux UK & USA • Données &

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 1 er pour la 1ère année Weather Data Management 2

Michael Moreno • • • Maitrise Maths, DEA Sciences Actuarielles et Financières Doctorat en

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@Speedwell. Weather. com N’hésitez pas à me contacter sur Linked. In 3

Sommaire • • Définition Etat du Marché Données Climatiques Evaluation de contrat 4

Sommaire • • Définition Etat du Marché Données Climatiques Evaluation de contrat 4

Assurance Climatique Paramétrique = Dérivé Climatique avec des règles comptables et légales différentes mais

Assurance Climatique Paramétrique = Dérivé Climatique avec des règles comptables et légales différentes mais dont le nom fait moins peur au législateur et aux clients DÉFINITION 5

Exemples d’Assurances Climatiques Paramétriques Pluie - agriculture Température + Humidité relative – Indice de

Exemples d’Assurances Climatiques Paramétriques Pluie - agriculture Température + Humidité relative – Indice de misère – demande électricité USA Vent – production d’électricité - éolienne Pour chaque période de 4 jours ou plus durant laquelle il pleut moins de 2 mm, le paiement final est égal au nombre de jours sans pluie au cours de ces périodes multiplié par X Euros. Pour chaque heure ou la température est supérieure à 95 F et l’humidité relative supérieure à 90%, le paiement final est de X USD. Si la production MW. H-1 moyenne à la fin du mois est inférieure à un certain seuil => paiement d’une compensation. Le contrat est lié à la courbe de production d’électricité du type d’éolienne installée. 6

Il s’agit de contrats paramétriques • Fonction de Paiement contractuelle: Il n’y a pas

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

Quelques contrats notables • Pluie / Pétrole – Amérique du Sud (~200 M USD)

Quelques contrats notables • Pluie / Pétrole – Amérique du Sud (~200 M USD) • Température / Gaz – Europe (~200 M 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

Weather Risk Management Association www. WRMA. org ÉTAT DU MARCHÉ 9

Weather Risk Management Association www. WRMA. org ÉTAT DU MARCHÉ 9

Etat du Marché CME – Contrats Listés Gré à Gré • Croissance annuelle substantielle

Etat du Marché CME – Contrats Listés Gré à Gré • Croissance annuelle substantielle jusqu’en 2008 • Activité de Marché liée au marché énergétique • Croissance saine et continue • Bonne diversification sectorielle: agriculture, énergie, construction, industrie et services 10

Quelques Acteurs du Marché Climatique • • • Allianz Celsius Pro City Financial Climate

Quelques Acteurs du Marché Climatique • • • Allianz Celsius Pro City Financial Climate Corp Coriolis EDF Trading Endurance Re EON JP Morgan • • • Guaranteed Weather (MSI) Liberty Morgan Stanley Munich Re Nephila Renaissance Re RWE Swiss Re Willis www. WRMA. org 11

Surprises, surprises… DONNÉES CLIMATIQUES 12

Surprises, surprises… DONNÉES CLIMATIQUES 12

Qu’est-ce qu’une donnée climatique? Une mesure climatique est définie par: - Une station (lieu

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

Les conventions de mesure ne sont pas uniformes Chaque pays et organisation a des

Les conventions de mesure ne sont pas uniformes Chaque pays et organisation a des conventions de lectures et de mesures différentes. Les conventions ne sont pas constantes dans le temps Elles changent: lecture humaine -> automatisées, de 6 h à 6 h -> de 9 h à 9 h, etc Les 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 de signer un contrat d’assurance climatique sans comprendre ces conventions 14

Exemple Royaume-Uni CLIMATE TMIN CLIMATE TMAX SYNOP TMIN 06 18 00 06 SYNOP TMAX

Exemple Royaume-Uni CLIMATE TMIN CLIMATE TMAX SYNOP TMIN 06 18 00 06 SYNOP TMAX 18 00 06 15

Exemple France CLIMATE TMAX & PLUIE CLIMATE TMIN 18 00 06 16

Exemple France CLIMATE TMAX & PLUIE CLIMATE TMIN 18 00 06 16

Exemple Allemagne Climate Tmin, Tmax, Pluie 00 00 À partir de 2001 Seulement! 17

Exemple Allemagne Climate Tmin, Tmax, Pluie 00 00 À partir de 2001 Seulement! 17

GSOD – Une base de données climatiques gratuite • GSOD (Global Summary Of Day)

GSOD – Une base de données climatiques gratuite • GSOD (Global Summary Of Day) est une base de données climatiques reconstruites gratuite. Vent – Aéroport de Dublin Pluie - Chine Erreurs très fréquentes 2012 Erreur cumulée = 22% En bleu: données officielles En rouge: données GSOD Cette base contient de nombreuses ‘limitations’ 18

Données Nettoyées Speedwell traite + de 100 000 fichiers de données par jour Environ

Données Nettoyées Speedwell traite + de 100 000 fichiers de données par jour Environ 2% des données sont erronnées Environ 3% de données manquantes Données officielles sont difficilement utilisables pour les contrats d’assurance climatique Type d’erreur: pluie: -2992 mm - donnée climatique officielle QC 2! 19

Inventaire Données Speedwell 100 000 stations - 10 000 nettoyées / jour 20

Inventaire Données Speedwell 100 000 stations - 10 000 nettoyées / jour 20

Discontinuités et données recalibrées Changements parfois enregistrés dans les Métadonnées • Les stations sont

Discontinuités et données recalibrées Changements parfois enregistrés dans les Métadonnées • Les stations sont déplacées (assez fréquent dans les aéroports!) • Les instruments sont remplacés Changements jamais enregistrés dans les Métadonnées • Herbe au sol remplacée par macadam • Changement d’utilisation humaine à proximité (example: aire de parking d’avions déplacée à 3 m des instruments) • Peinture blanche sur le toit remplacée par de la peinture noire • Nouveau bâtiment construit assez proche 21

Aéroport = Mini Ville Example Kansas City 1990 -> 2012 22

Aéroport = Mini Ville Example Kansas City 1990 -> 2012 22

Oh la belle discontinuité! 23

Oh la belle discontinuité! 23

La liste est longue… 24

La liste est longue… 24

Données recalibrées = recalibrées aux conditions actuelles de la station 25

Données recalibrées = recalibrées aux conditions actuelles de la station 25

Plus belle discontinuité ? Station COOP USA 10 F ! Cause: Arbre coupé !

Plus belle discontinuité ? Station COOP USA 10 F ! Cause: Arbre coupé ! 26

Règle d’or: Ne jamais évaluer un contrat sans comprendre les données au préalable EVALUATION

Règle d’or: Ne jamais évaluer un contrat sans comprendre les données au préalable EVALUATION 27

Fair Value • 28

Fair Value • 28

3 Méthodes Burn Actuarielle est supposée connue (best fit – Maximum de Vraisemblance, etc)

3 Méthodes Burn Actuarielle est supposée connue (best fit – Maximum de Vraisemblance, etc) est résolue numériquement Simulation journalière / horaire de l’élément 29

Tendance des données • Tendance Mensuelle • Régression Locale à Poids Variables (LOWESS) 30

Tendance des données • Tendance Mensuelle • Régression Locale à Poids Variables (LOWESS) 30

Quelle Distribution? 31

Quelle Distribution? 31

Simulation de la température • 32

Simulation de la température • 32

 • La saisonnalité n’est pas une sinusoide • Mémoire longue • Forte saisonnalité

• La saisonnalité n’est pas une sinusoide • Mémoire longue • Forte saisonnalité de la distribution des résidus 33

Les résidus sont normalement distribués et non corrélés • Tout est parfait • Cela

Les résidus sont normalement distribués et non corrélés • Tout est parfait • Cela Marche à Merveille 34

En fait les résidus ne sont pas normalement distribués ! 35

En fait les résidus ne sont pas normalement distribués ! 35

Simulation dans SWS ? Bootstrapping de série temporelle ! 36

Simulation dans SWS ? Bootstrapping de série temporelle ! 36

Simulation de la Pluie Les données journalières de pluie sont tronquées et censurées t-1

Simulation de la Pluie Les données journalières de pluie sont tronquées et censurées t-1 t t+1 Ces 4 cas (et bien d’autres!) sont indiscernables La troncature et la censure des données créent une forte autocorrélation des données et de la probabilité qu’il pleuve 37

Probabilité qu’il pleuve Problématique Simuler l’évènement il pleut (Xt=1) / il ne pleut pas

Probabilité qu’il pleuve Problématique Simuler 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 le lendemain pt = Prob(Xt = 1 | Xt-1, Xt-2, Xt-3, …, Xt-k), k IN*. 38

Quel Lag (k) ? k=1 39

Quel Lag (k) ? k=1 39

4 Probabilités (x 365) et 4 Densités à estimer (x 12!) 40

4 Probabilités (x 365) et 4 Densités à estimer (x 12!) 40

Quelques problèmes A certains endroits, il pleut plus souvent en fin de semaine Il

Quelques problèmes A certains endroits, il pleut plus souvent en fin de semaine Il existe une station où il ne pleut pas le samedi et le dimanche 41

Simuler c’est bien mais • • • Une station, 1 élément journalier: OK Multi

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

Prévisions Météorologiques Downscaling: (Wiki. Pedia) downscaling methods are used to obtain local-scale surface weather

Prévisions Météorologiques Downscaling: (Wiki. Pedia) downscaling methods are used to obtain local-scale surface weather from regional-scale atmospheric variables En language statistique simplificateur: Correction de biais 43

Prévisions Probabilistiques Prévision d’ensemble ECMWF: 00 Z + 12 Z ECMWF Ensemble: 51 Membres

Prévisions Probabilistiques Prévision d’ensemble ECMWF: 00 Z + 12 Z ECMWF Ensemble: 51 Membres GFS: 00 Z + 06 Z + 12 Z + 18 Z GFS Ensemble : 21 Membres 44

Les prévisions Downscaled sont en fait excellentes 1 Jour Erreur Moyenne 0. 06 Contre

Les prévisions Downscaled sont en fait excellentes 1 Jour Erreur Moyenne 0. 06 Contre 1. 45 Erreur ABS 0. 74 Contre 3. 27 45

Même à 5 jours… 5 Jours Erreur Moyenne -0. 12 Contre 1. 83 Erreur

Même à 5 jours… 5 Jours Erreur Moyenne -0. 12 Contre 1. 83 Erreur ABS 1. 31 Contre 3. 22 46

Même à 1 mois! Principal Avantage: Physiquement, géographiquement et météorologiquement cohérent pour tous les

Même à 1 mois! Principal Avantage: Physiquement, géographiquement et météorologiquement cohérent pour tous les éléments Moyen terme (0 à 15 jours) -> Prévision météorologique Long terme (mois / saison) -> Prévision climatologique 10 -15 jours Météo Mensuelle -> Climatologie (plus chaud ou plus froid que la normale) 47

Incorporation des Prévisions dans l’évaluation Scénario: froid / chaud Nombre de jours Poids St.

Incorporation des Prévisions dans l’évaluation Scénario: froid / chaud Nombre de jours Poids St. Dev 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

Vérifications de Prévisions • Les prévisions sont uniformes. Par exemple de minuit à minuit

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

Exemple d’une prévision avec erreur de timing Paris Orly 1/1/2013 – 00 Z Erreur

Exemple d’une prévision avec erreur de timing Paris Orly 1/1/2013 – 00 Z Erreur de Timing Bon niveau de confiance Prévision météorologique Erreur de Prévision? Prévision climatique “plus froid que la moyenne” 50

Conclusion Définition Etat du Marché Données Climatiques Evaluation de contrat 51

Conclusion Définition Etat du Marché Données Climatiques Evaluation de contrat 51

Questions ? www. Speedwell. Weather. com michael. moreno@Speedwell. Weather. com 52

Questions ? www. Speedwell. Weather. com michael. moreno@Speedwell. Weather. com 52