Preguntas de entrevista Actuario

Empiezo traduciendo el resultado en una pregunta de negocio que ya le importa a la persona, en lugar de entrar en el funcionamiento interno del modelo. Por ejemplo, en una revisión de tarifas de un producto de vida, en vez de explicar los ajustes de la tabla de mortalidad y la tasa de descuento del modelo, lo planteé así: este cambio lleva nuestro ratio de siniestralidad del 78% al 71%, y esto es lo que supone para la prima de un asegurado típico. Uso un solo gráfico siempre que puedo, normalmente una barra simple o un gráfico en cascada que muestre el paso de la hipótesis anterior a la nueva, y evito jerga como riesgo de cola o ponderación de credibilidad salvo que me pregunten. También dejo un momento corto para preguntas antes de pasar a la siguiente diapositiva, porque la primera pregunta suele decirme si acerté con el nivel de la explicación. Ante un consejo, empiezo por la recomendación y el número, y solo entro en detalle si lo piden.

He completado los exámenes hasta el nivel de asociado, que cubren probabilidad, matemática financiera y valoración, en un recorrido parecido al de la IFoA o la SOA, y ahora avanzo en los módulos de fellowship con el objetivo de aprobar un examen cada seis meses. El último lo hice en abril, sobre reservas y modelización de capital, y ahora estudio el que trata sobre deontología y comunicación, compaginándolo con un puesto a tiempo completo, lo que significa reservar unas ocho horas semanales en un horario fijo en vez de buscar tiempo suelto. Llevo un registro de estudio y repaso los temas más flojos con exámenes de años anteriores en lugar de releer el temario, porque los exámenes anteriores son lo que realmente indica si entiendes la materia o solo la reconoces. Mi empresa cubre las tasas de examen y da días de estudio antes de cada convocatoria, que organizo para que no coincidan con el cierre trimestral.

El cierre trimestral, y sobre todo el anual, es cuando esta tensión se nota más, porque el plazo de reporting no se mueve pero los datos necesarios a veces llegan tarde o no cuadran. Mi regla es señalar una duda antes que ajustar un número en silencio para cumplir el plazo. En el último cierre anual, llegó un fichero de siniestros con lo que parecía una duplicación, dos días antes de la fecha límite de reservas. Lo comuniqué de inmediato a mi responsable y al equipo de datos en lugar de asumir que era un problema menor, y acabamos retrasando la validación un día en vez de registrar una estimación de reserva poco fiable. Cuando puedo, incorporo puntos de control antes en el ciclo, un cálculo preliminar dos semanas antes del cierre y otro casi definitivo una semana antes, para que cualquier anomalía aparezca con margen suficiente para investigarla bien y no el último día.

Mi trabajo diario combina Excel, R y SQL, junto con una plataforma actuarial dedicada para las reservas más pesadas y el cálculo de capital. Uso Excel para comprobaciones rápidas y para todo lo que vaya directamente a un documento para las partes interesadas, pero paso a R en cuanto un modelo necesita correr sobre datos a nivel de póliza en lugar de datos agregados, o en cuanto hay que hacer simulación, como estimar un rango de reserva mediante bootstrap. SQL es lo que uso para extraer y dar forma a los datos antes de que entren en cualquier modelo, y he escrito bastantes consultas que ahora reutiliza el resto del equipo. La plataforma actuarial que usamos gestiona los cálculos de capital regulatorio, porque reconstruir eso desde cero en una hoja de cálculo sería lento y arriesgado desde el punto de vista del control de versiones. También me manejo bien con Python, sobre todo para lo que tiene que comunicarse con otros sistemas o para automatizar un informe que antes se hacía a mano.

En un producto de enfermedades graves, la tarificación se apoyaba en una hipótesis de incidencia basada en datos sectoriales, porque todavía no teníamos suficiente historial de siniestros propio. Unos dieciocho meses después del lanzamiento, nuestra experiencia real empezó a desviarse de la referencia del sector, sobre todo en una categoría de patologías. Señalé la desviación en cuanto apareció en el análisis trimestral de experiencia, sin esperar a tener un conjunto de datos totalmente creíble, y trabajé con el equipo de tarificación para modelar varios escenarios que separasen la parte real de la desviación del ruido estadístico propio de volúmenes bajos. Acabamos retarificando esa línea en los dos ciclos de renovación siguientes en vez de esperar a la próxima revisión completa, y construí un panel de seguimiento para que ese tipo de desviación saliera a la luz automáticamente la próxima vez en lugar de depender de que alguien la notara en una hoja de cálculo. La lección que saqué fue ser más explícito desde el principio sobre cuánto peso le dábamos a los datos sectoriales y durante cuánto tiempo.

Estaba haciendo una revisión entre pares del cálculo de reservas de un compañero para una cartera de auto, y el ratio pagado sobre incurrido no cuadraba para un año de ocurrencia comparado con el patrón del resto de años. Resultó que había aplicado un factor de desarrollo de una versión anterior del triángulo, que no se había actualizado tras una actualización de datos. Se lo comenté directamente a él primero en lugar de escalarlo de inmediato a nuestro responsable, porque era claramente un despiste y no algo más grave, y revisamos juntos la corrección para que entendiera exactamente dónde se había torcido. También acordamos añadir una comprobación sencilla, comparando la nueva estimación de reserva con el arrastre del trimestre anterior, para detectar un salto así antes la próxima vez. Aun así, informé a nuestro responsable una vez corregido, sobre todo porque la cifra de reserva ya estaba en un borrador del informe para el consejo y había que corregirla antes de que avanzara más.

En un cierre anual, me pidieron finalizar una estimación de reserva para una nueva línea de producto dos días antes de lo previsto, para encajar con un consejo adelantado. Los datos de siniestros de esa línea todavía se estaban depurando por el equipo de datos, y dos días menos de validación me parecía demasiado riesgo para una cifra que iba a un consejo. Expliqué con precisión qué quedaba sin resolver, no solo que tenía dudas, y propuse como alternativa un rango provisional con márgenes más amplios, junto con una fecha en la que podría dar una cifra firme. Mi responsable presentó esa cifra provisional al consejo con una fecha de seguimiento clara, en lugar de presionarme para cerrarla antes de tiempo. Fue una conversación algo incómoda en el momento, pero una cifra equivocada en un informe para el consejo habría dado lugar a una conversación mucho peor unas semanas después.

Parto de los métodos actuariales clásicos, chain ladder y Bornhuetter Ferguson para las reservas de siniestros, contrastándolos entre sí en lugar de apoyarme solo en uno, sobre todo en los años de ocurrencia más recientes y menos desarrollados, donde el chain ladder es menos fiable. A partir de ahí añado un margen de incertidumbre sobre la mejor estimación, calibrado según la volatilidad histórica de esa línea. En el lado del capital, en un marco tipo Solvencia II, revisaría cómo la estimación de reservas alimenta las provisiones técnicas y de ahí el capital de solvencia requerido, comprobando que los supuestos usados en reservas y en el modelo de capital sean coherentes entre sí, porque una incoherencia entre ambos es una fuente habitual de preguntas del regulador. También me aseguro de que exista un rastro documental claro que justifique cualquier juicio experto aplicado sobre el resultado mecánico, porque suele ser lo primero que pregunta un revisor externo o el regulador.

Empiezo por sacar los datos de experiencia real al mismo nivel de detalle que las hipótesis de tarificación originales, para comparar de verdad lo comparable en vez de cifras agregadas frente a celdas tarifarias finas. En un estudio de mortalidad, esto suele significar dividir por tramo de edad, sexo y antigüedad de la póliza, y calcular un ratio real sobre esperado para cada celda frente a la base tarifaria. Miro si la desviación se concentra en un segmento concreto o se reparte de forma uniforme por la cartera, porque una desviación concentrada apunta a una tendencia real, mientras que una desviación repartida suele ser ruido estadístico o un problema de datos. También pruebo explícitamente la credibilidad, por ejemplo con un enfoque de fluctuación limitada, antes de recomendar cualquier cambio de hipótesis, sobre todo en segmentos pequeños donde unos pocos siniestros pueden mover el ratio de forma notable. Una vez convencido de que la desviación es real, modelaría varios escenarios para decidir el ritmo al que incorporar la nueva hipótesis en lugar de cambiarla de golpe.

La mayoría de mis modelos parten de datos a nivel de póliza extraídos mediante SQL desde nuestro almacén de datos, que luego limpio y valido en R antes de que entren en cualquier modelo, comprobando cosas como números de póliza duplicados, fechas poco plausibles y diferencias frente a la extracción del periodo anterior. Mantengo la extracción, la limpieza y el modelado en scripts separados y versionados en lugar de una única hoja de cálculo larga, para poder aislar en qué etapa aparece un problema si algo no cuadra, en vez de empezar de cero. Para todo lo que debe repetirse, como un proceso de reservas trimestral, automatizo la mayor parte posible del flujo para que el juicio actuarial se dedique a revisar el resultado y no a reconstruir la mecánica cada trimestre. Soy estricto con la documentación, cada script tiene una cabecera que explica qué hace y qué espera como entrada, porque he heredado suficientes hojas de cálculo sin documentar de puestos anteriores para saber cuánto tiempo ahorra eso a la siguiente persona.