Présentation des assurances climatiques par Michael Moreno Speedwell Weather - Conférence AssurFinance|2013

1. Assurances Climatiques
Paramétriques
1

2. 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
1er pour la 1ère année
Weather Data Management
2

3. 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@SpeedwellWeather.com
N’hésitez pas à me contacter sur LinkedIn
3

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

5. 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

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

7. 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

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

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

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

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

12. Surprises, surprises…
DONNÉES CLIMATIQUES
12

13. 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

14. 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 6h à 6h -> de 9h à
9h, 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

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

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

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

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

19. 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: -2992mm - donnée climatique officielle QC2!
19

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

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

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

23. Oh la belle discontinuité!
23

24. La liste est longue…
24

25. Données recalibrées = recalibrées aux
conditions actuelles de la station
25

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

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

28. Fair Value
28

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

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

31. Quelle Distribution?
31

32. Simulation de la température
Ti+1
i+1
Ti i+1
distribution
i
32

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

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

35. En fait les résidus
ne sont pas normalement distribués !
35

36. Simulation dans SWS ?
Bootstrapping de série temporelle !
36

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

38. 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

39. Quel Lag (k) ?
k=1
39

40. 4 Probabilités (x365) et 4 Densités à estimer (x 12!)
40

41. 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

42. 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

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

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

45. Les prévisions Downscaled sont en fait
excellentes
1 Jour
Erreur Moyenne
0.06
Contre
1.45
Erreur ABS
0.74
Contre
3.27
45

46. Même à 5 jours…
5 Jours
Erreur Moyenne
-0.12
Contre
1.83
Erreur ABS
1.31
Contre
3.22
46

47. 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 Mensuelle -> Climatologie
Météo (plus chaud ou plus froid que la normale)
47

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

49. 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

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

51. Conclusion
Définition
Etat du Marché
Données Climatiques
Evaluation de contrat
51

52. Questions ?
www.SpeedwellWeather.com
michael.moreno@SpeedwellWeather.com
52