Assurances Climatiques Paramétriques

1

Speedwell Weather

• Créée en 1999 – Bureaux UK & USA

• Données & Prévisions Météos

• Logiciel de gestion de portefeuille des assurances climatiques paramétriques

• Conseil

2

5ème année consécutive Best Global Weather Risk Management Advisory/Data Service

1er pour la 1ère année Weather Data Management

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

3

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

Sommaire

• Définition

• Etat du Marché

• Données Climatiques

• Evaluation de contrat

4

DÉFINITION

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

5

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 2mm, 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 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 (~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

ÉTAT DU MARCHÉ

Weather Risk Management Association www.WRMA.org

9

Etat du Marché

CME – Contrats Listés

• Croissance annuelle substantielle jusqu’en 2008

• Activité de Marché liée au marché énergétique

Gré à Gré

• 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 Corp • Coriolis • EDF Trading • Endurance Re • EON • JP Morgan

• Guaranteed Weather (MSI) • Liberty • Morgan Stanley • Munich Re • Nephila • Renaissance Re • RWE • Swiss Re • Willis

11

www.WRMA.org

DONNÉES CLIMATIQUES

Surprises, surprises…

12

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

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

Les conventions de mesure ne sont pas uniformes

Exemple Royaume-Uni

00 00

SYNOP TMIN SYNOP TMAX

CLIMATE TMIN CLIMATE TMAX

15

06 18 06 18 06

Exemple France

00 00

CLIMATE TMAX & PLUIE

16

06 18 06 18

CLIMATE TMIN

Exemple Allemagne

00 00

Climate Tmin, Tmax, Pluie

17

À partir de 2001

Seulement!

GSOD – Une base de données climatiques gratuite

• GSOD (Global Summary Of Day) est une base de données climatiques reconstruites gratuite.

En bleu: données officielles En rouge: données GSOD

Vent – Aéroport de Dublin

Cette base contient de nombreuses ‘limitations’

Pluie - Chine

Erreurs très fréquentes 2012 Erreur cumulée = 22%

18

Données Nettoyées

19

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!

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

20

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 3m 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

Oh la belle discontinuité!

23

La liste est longue…

24

Données recalibrées = recalibrées aux conditions actuelles de la station

25

Plus belle discontinuité ?

26

Station COOP USA 10 F ! Cause: Arbre coupé !

EVALUATION

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

27

Fair Value

28

3 Méthodes

29

Burn

Actuarielle

est supposée connue (best fit – Maximum de Vraisemblance, etc)

est résolue numériquement

Simulation journalière / horaire de l’élément

Tendance des données

30

• Tendance Mensuelle

• Régression Locale à Poids Variables (LOWESS)

Quelle Distribution?

31

Simulation de la température

32

i

i+1

Ti

Ti+1

i+1

distribution

33

• La saisonnalité n’est pas une sinusoide

• Mémoire longue

• Forte saisonnalité de la distribution des résidus

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

Simulation dans SWS ?

36

Bootstrapping de série temporelle !

Simulation de la Pluie

Les données journalières de pluie sont tronquées et censurées

37

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

Probabilité qu’il pleuve

38

pt = Prob(Xt = 1 | Xt-1, Xt-2, Xt-3,…, Xt-k), k IN*.

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

Quel Lag (k) ?

39

k=1

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

40

Quelques problèmes

41

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

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

43

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

Prévisions Probabilistiques

44

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

Les prévisions Downscaled sont en fait excellentes

45

1 Jour Erreur Moyenne 0.06 Contre 1.45 Erreur ABS 0.74 Contre 3.27

Même à 5 jours…

46

5 Jours Erreur Moyenne -0.12 Contre 1.83 Erreur ABS 1.31 Contre 3.22

Même à 1 mois!

47

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)

Incorporation des Prévisions dans l’évaluation

48

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

Scénario: froid / chaud Nombre de jours Poids StDev etc

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 – 00Z

50

Erreur de Timing

Erreur de Prévision?

Bon niveau de confiance Prévision météorologique

Prévision climatique “plus froid que la moyenne”

Conclusion Définition Etat du Marché Données Climatiques Evaluation de contrat

51

Questions ?

www.SpeedwellWeather.com

michael.moreno@SpeedwellWeather.com

52