We provide a D-vine copula based method to model and forecast data, which are relevant in reinsurance e.g. for appropriate risk capital allocation. We deal with unbalanced data, where the number of observations increases over time. Using the Inference for Marginals (IFM) method, we first obtain probability integral transformed random variables by modelling the marginals via different methods. This includes elaborate regression models such as Generalized Additive Models to account for location, scale and shape (GAMLSS). Second, we fit D-vine models, which naturally capture the serial dependence inherent in the data. A concept for forecasting future data by shifting the fitted D-vine structure is introduced. The quality of predictions is assessed with continuous rank probability scoring (CRPS).     «

We provide a D-vine copula based method to model and forecast data, which are relevant in reinsurance e.g. for appropriate risk capital allocation. We deal with unbalanced data, where the number of observations increases over time. Using the Inference for Marginals (IFM) method, we first obtain probability integral transformed random variables by modelling the marginals via different methods. This includes elaborate regression models such as Generalized Additive Models to account for location, s...     »

Wir präsentieren eine D-vine Copula basierte Methode zur Modellierung und Vorhersage von Daten, die eine Rolle bei Rückversicherungen spielen, z.B. zur Allokation von Risikokapital. Wir arbeiten mit einem sogenannten unbalanced setting, in dem die Anzahl der Beobachtungen über die Zeit zunehmen. Mithilfe der Inference for Marginals (IFM) Methode erhalten wir zuerst sogenannte probability integral transformed Zufallsvariablen, indem wir die Ränder mit verschiedenen Methoden modellieren, darunter auch komplexe Regressionsmodelle, wie etwa die Generalized Additive Models for location, scale and shape (GAMLSS). Als zweiten Schritt passen wir D-vine Modelle an, welche von Natur aus die sequentielle Abhängigkeit der Daten einfangen. Ein Konzept zur Vorhersage von zukünftigen Daten durch das Verschieben der angepassten D-vine Strukturen wird eingeführt. Die Qualität der Vorhersagen wird durch das sogenannte continuous rank probability scoring (CRPS) bewertet.     «

Wir präsentieren eine D-vine Copula basierte Methode zur Modellierung und Vorhersage von Daten, die eine Rolle bei Rückversicherungen spielen, z.B. zur Allokation von Risikokapital. Wir arbeiten mit einem sogenannten unbalanced setting, in dem die Anzahl der Beobachtungen über die Zeit zunehmen. Mithilfe der Inference for Marginals (IFM) Methode erhalten wir zuerst sogenannte probability integral transformed Zufallsvariablen, indem wir die Ränder mit verschiedenen Methoden modellieren, darunter...     »