镜头下 ： 调查网络供应商模型差异

在镜头下： 调查网络供应商模型差异 MarshMcLennan的业务 报告要点 •Whilesignificantprogresshasbeenmadeinadvancingcybergistervendormodelsoverthepastdecade,asignificantdegreeofvariabilityacrossmodelsoutputstillexists.Havingclearityinthedriversofthismodel 可变性有助于网络运营商建立其独特的风险观点，进而支持风险暴露管理和容量部署决策 。 •Annualrevenueinputresultsinthehighestmodeledlossdifferences,withthegreatestmodeldifferenceconcentratedinthenano(<USD1million)andmicro(USD1milliontoUSD5million)revenuebands.Thiswarkes 随着网络市场在小型和微型风险领域的持续扩张，对不同模式对低收入组织的处理有了更深入的了解。 •行业分类是模型可变性的第二大影响因素。由于供应商对最大损失贡献者的看法不同 ，零售部门尤其导致供应商模型之间的实质性分歧。 •供应商模型对特定覆盖范围的不同处理，例如勒索软件和勒索以及监管防御和罚款 ，突出了将各种网络政策措辞与可用模型功能保持一致的挑战。 CONTENTS 简介和方法 网络作家面临的最大挑战之一是构建自己的风险管理观点，以管理网络曝光积累，以支持围绕容量限制和资本部署的决策。在过去的十年中，在网络风险量化领域取得了巨大的进步，包括使用各种不同的技术和方法开发了许多网络灾难模型。 随着时间的推移，模型的结果逐渐收敛，因为更可信的数据点变得可用于校准和验证。然而，跨模型输出的显着变化程度仍然存在，这可能对保险和再保险构成挑战 公司制定了独特的风险观。盖伊·卡彭特在我们最近的报告中开始在行业层面探索这个主题，透过镜子：探究当今网络市场背后的关键数字.1在这项研究中，作为早期报告的同伴，我们的团队对网络灾难模型差异的关键驱动因素进行了深入的调查。这项研究旨在为网络市场参与者提供一定程度的安慰，以构建他们自己的书籍扩展和发展的曝光积累观点。 1.问题是什么？ 由于保险公司和再保险公司越来越依赖网络灾难模型来做出战略决策 ，因此对这些模型的可变性背后的驱动因素建立更明智的观点至关重要。在这项研究中，我们应用了使用预测模型的高级分析，以实现对驱动网络模型输出差异的关键因素的更深入，更可靠的理解 。 2.为什么是预测分析？ 当前用于评估网络模型输出的行业方法在很大程度上依赖于单个供应商模型见解的可用性以及围绕基础模型方法的适当性的专家判断 。这种方法缺乏客观的模型分析，可能会受到主观意见的偏见。如今的高级分析可以支持一种新方法来评估模型输出之间的差异。利用最新的复杂的预测建模工具综合了流入网络模型的输入参数的完整阵列,包括公司特征和政策结构,以及许多选定的覆盖范围。 3.我们是怎么开始的？ Wefocusedourefforttounderstandthedifferencesbetween3majornetworkmodels—GuidewireCyberCube,andMoody’sRMS.Therewere3keypointsweaimedtoaddress: •哪些输入参数驱动最大的网络模型发散？ •确定行业风险观点分歧最大的细分市场。 •突出显示给定网络模型可能产生重大平均年度损失的风险特征 （AAL）处罚。 为了解决这些问题，我们依赖于一个抽样的公司级数据集，该数据集近似网络行业的分布，包括GuyCarpenter在可用的供应商模型中编译的关键输入参数。下图说明了按年收入和居住国家划分的样本数据集的溢价分布。 图1:按年收入和注册国划分的保费分配 国家/地区Domicile年收入 80%50% 70% 60% 50% 40% 30% 40% $0-10M$10M-250M$250M-1B$1B+ 30% 20% 20% 10% 10% 00 USGBFRDEAUCAJPES 资料来源：GuyCarpenter专有信息，来自GuyCarpenter网络数据湖。 1.https://www.guycarp.com/content/dam/guycarp-rebrand/pdf/Insights/2023/Guy _Carpenter_Cyber_(Re)insurance_Market_Report_Publish_rev%20.pdf 然后使用3个网络模型中的每一个对数据集进行建模，以生成个人公司级别的AAL以及投资组合平均值。 4.我们的技术方法 为了正确分析模型可变性的驱动因素，重要的是控制所有可用输入参数的影响。依靠一个简单的单向分析可能会显示不同地理区域的模型差异 ，但无法说明每个地理区域内不同的风险分布，例如，与其他国家相比 ，美国可能包括年收入较高的业务。利用最新的非线性机器学习技术，我们可以控制所有其他变量的影响，并最好地将信号与噪声隔离。然而 ，机器学习的任何应用都应该与必要的主题专业知识相匹配，以获得最佳结果。我们将复杂的建模算法与领先的网络专业知识相结合的独特能力，为迄今为止的网络灾难模型提供了最详细的理解。 我们选择使用单个网络输入参数作为预测因子来对每个策略的变异系数进行建模，以回答网络模型对灾难事件损失的最终潜力产生最大分歧的地方。 在我们的研究中，没有一个单一的驱动因素，而是多个参数的可变组合来驱动模型AALS的差异。 Figure3showsarankingofvariablesaccordingtotheirrelativeimpactoncross-modelvariability.Asanexample,companyannualrevenueisthemostdiversive inputparameter,resultinginthegreatestdisagreementinperceedriskacrossthe3cybermodels.Ontheotherhand,thereappearstobelittledisagreementinperceedriskfromanumberofcompanyemployees,afteraccountingforallotherinputparameters. 从这张图表中得出的一个有趣的结论是，个体风险特征的分布、政策 个体风险特征 类别 强制曝光数据 Description 年收入 行业代码 Business 参数 CountryModifications …#员工 Add'l 网站指示器 属性 ... 网络特定 ….. 现场备份 备份频率 ... ….. 附加覆盖范围 类别描述勒索软件勒索软件和勒索 监管机构 监管防御和罚款 Data ….. 数据恢复 ….. 关键输入驱动差异 网络模型发散 预测模型 模型揭示了有效暴露数据中的新信号，同时允许控制所有其他变量的影响. 行业专业知识 由领先的网络行业专家协助的建模过程和解释. 建模和自己的风险视图之间的对齐 组织名称独立策略标志附件和限制 保单保费@ Participation 自付额 ….. 政策详细信息 图2:GuyCarpenter预测建模过程-了解主要网络模型之间的差异 属性和覆盖范围选举。具体来说，在我们的研究中没有网络模型分歧的单一驱动因素，而是驱动建模AAL差异的多个参数的不同组合。 在获得模型发散的基本基线视图之后，我们专注于发现的独特偏差 Inotherwords,whichlevelofannualrevenueorspecificindustrycoderesultsinthehighestAALinaparticularnetworkmodel.Thiswas 通过关注任何2个给定模型之间的AAL比率来突出显示利差最大的投资组合细分。 图3:模型变量的相对重要性 个人风险 Policy 覆盖范围 年收入 100% 行业代码 56% 包括监管防御和罚款CVG？ 36% 事故限制为100% 15% 15% 骨料上限为100% 15% 15% 包括随机存取和出口CVG? 12% 可避免的业务中断覆盖范围( 11% 分拆) 10% 包括财务欺诈保险？ 7% 6% 5% 雇员人数 COUNTRYOFDOMICLE RANSOMWARE&EXTORTIONCOVERAGE(SUBLIMIT) 网络模型之间具有更多 AAL可变性的变量 网络模型之间AAL可变性较小的变量 注意：所有重要性度量都是相对于具有最高重要性的变量而言的。 资料来源：GuyCarpenter研究基于GuidewireCyence，Moody'sRMS和CyberCube的输出。 关键观测 如中所述透过镜子：探究当今网络市场背后的关键数字，盖伊· 卡彭特总是建议把重点放在“为什么”和“多少”模型分歧上。 使用强大的预测建模框架，GuyCarpenter能够突出显示一些关键数据项，这些数据项驱动了跨供应商模型的损耗可变性。 图4:模型可变性-年收入 公司收入规模最低水平的数据缺失区域。 网络保险市场继续看到在小收入空间的渗透率增加，这将增加对非常小的风险建模的可靠性的关注。随着细粒度数据收集在网络行业中成为更高的优先事项，我们应该期望在这个领域看到结果的可变性减少。在500万美元的范围之外，我们发现结果的可变性与真正的大风险非常一致，收入超过10亿美元。 纳米 (<$1M) 微型迷你 小中大 （$1M-5M）（$5M-50M）（$50M-250M）（$250M-1B）（> 年收入（分类） 模型变异系数 附件A 展品B(A的放大) 建模AAL的可变性更高 建模AAL中的可变性较低 建模AAL的可变性更高 建模AAL中的可变性较低 在最小的收入带中看到的可变性将 beworthextraattentionduetotheincreasingvolumeofpolicieswritedinthatarea.Adeeperunderstandingoftherelativetreatmentsoflow-revenueorganizationsbythevendormodelswillbeessentialtothealignmentofrisktovendorviews. 在我们的分析中，CyberCube和GuidewireCyence都比Moody'sRMS更保守。 所有的收入带在他们对微风险和小风险的损失估计中。对于这些风险，GuidewireCyence比CyberCube表现出更保守的观点，但是对于更高的收入带产生的结果相对较低。穆迪RMS在收入带的结果中显示出最小的差异。 图5:按收入规模对AAL相对性进行建模 年收入 CyberCube到RMSCyberCube到RMSCyberCube 资料来源：GuyCarpenter研究基于GuidewireCyence的输出， 穆迪RMS和CyberCube。 收入 3.5 3.0 2.5 2.0 1.5 1.0 0.5 高于1.0的比率反映了分子的AAL价差更大 比率低于1.0反映分母的AAL价差更大 Thecleardriveroflossvariabilityacrossthe3testedvendormodelsisrevenue.Revenueisinherently 0.0 纳米MicroMini小介质大 连接到关键网络损失类型，如业务中断(BI)、或有业务中断(<$1M)($1M-5M)（$5M-50M）（$50M-250M）（$250M (>$1B) -1B） （CBI）和数据恢复。因此，预计建