Toda aseguradora convive con una pregunta incómoda: ¿cuánto capital necesita para sobrevivir a un mal año entre doscientos? Los regímenes de solvencia basados en riesgo, desde Solvencia II en Europa hasta el Requerimiento de Capital de Solvencia (RCS) que supervisa la Comisión Nacional de Seguros y Fianzas (CNSF) en México, responden con una definición precisa: el capital debe cubrir la peor caída esperada de los fondos propios en un horizonte de un año, con un nivel de confianza del 99.5 por ciento. Formalmente, el requerimiento se aproxima como el valor en riesgo de la variación de los fondos propios.
$$\mathrm{SCR}\;=\;\operatorname{VaR}_{99.5\%}\!\big(\Delta \text{Fondos propios}_{\,0\to 1}\big)$$La definición es elegante. El cálculo, en cambio, puede ser brutal, y ahí es donde la inteligencia artificial ha empezado a cambiar las reglas del juego.
El problema del cálculo anidado
Estimar ese cuantil exige conocer la distribución de los fondos propios dentro de un año. Y para valuar los pasivos de seguros en cada uno de esos estados futuros del mundo, muchas veces hace falta, a su vez, una valuación estocástica: las opciones y garantías financieras, el comportamiento dinámico del asegurado o el reaseguro no proporcional rara vez tienen fórmula cerrada. Aparece así la simulación anidada: miles de escenarios externos que describen dónde estará el mercado en un año y, dentro de cada uno, miles de trayectorias internas para valuar la cartera. El producto de ambos, un millón de valuaciones o más, convierte un cálculo conceptualmente simple en un consumo de cómputo que puede tardar días.
La industria conoce el atajo tradicional: la fórmula estándar, que agrega módulos de riesgo con matrices de correlación fijas. Es robusta y auditable, pero por diseño no captura el perfil de riesgo particular de cada entidad. El modelo interno, más fiel a ese perfil, choca contra el muro del cálculo anidado. Entre la simplicidad de la fórmula y el costo del modelo completo se abre el espacio de los modelos proxy.
Aprender la función de fondos propios
Un modelo proxy no simula: aproxima. La idea es tratar los fondos propios dentro de un año como una función de un puñado de factores de riesgo, tipos de interés, spreads de crédito, renta variable, mortalidad, caídas de cartera, y aprender esa función una sola vez. Después, evaluar el cuantil del 99.5 por ciento cuesta milisegundos, porque basta con aplicar la función aprendida a un millón de escenarios externos.
La técnica más difundida es el Least Squares Monte Carlo (LSMC): se corren muchos escenarios externos con muy pocas trayectorias internas cada uno, a veces una sola, y se ajusta por mínimos cuadrados una función que promedia el ruido. En su forma general, el valor buscado se aproxima mediante una combinación de funciones base:
$$\widehat{f}(\mathbf{x})\;=\;\sum_{k=1}^{K}\beta_k\,\phi_k(\mathbf{x})$$donde $\mathbf{x}$ recoge los factores de riesgo y las $\phi_k$ son funciones base, tradicionalmente polinomios. El otro enfoque clásico, la cartera replicante, busca un conjunto de instrumentos financieros cuyo valor imite el de los pasivos escenario a escenario. Ambos comparten la misma promesa: sustituir una valuación cara por una evaluación barata.
Dónde entra el machine learning
El LSMC polinómico funciona, pero se resiente cuando la relación entre riesgos y fondos propios es marcadamente no lineal o cuando los factores interactúan de forma compleja. Elevar el grado del polinomio multiplica los términos y reintroduce inestabilidad. Aquí el aprendizaje automático ofrece familias de funciones más expresivas, ya sea para las $\phi_k$ o directamente para $\widehat{f}$:
- Gradient boosting sobre árboles, que captura no linealidades e interacciones sin que el actuario tenga que especificarlas de antemano.
- Redes neuronales, capaces de aproximar superficies de valuación de alta dimensión con relativamente pocos parámetros por factor.
- Procesos gaussianos, que además de una estimación entregan una medida de incertidumbre, valiosísima para saber dónde el proxy es fiable y dónde no.
La ventaja no es solo velocidad. Un buen proxy permite recalcular el capital ante movimientos de mercado casi en tiempo real, correr análisis de sensibilidad, hacer atribución de resultados y construir las proyecciones plurianuales que exige la Evaluación Interna de Riesgos y Solvencia (ORSA). Convierte el capital de un número que se produce una vez al trimestre en una herramienta viva de gestión.
El criterio actuarial no se aproxima
Un proxy es, por definición, un modelo de un modelo, y arrastra dos capas de error. El riesgo mayor vive en la cola: precisamente el 99.5 por ciento habita donde hay menos datos y donde una función ajustada al centro de la distribución puede fallar más. Por eso la disciplina de validación es innegociable. Hay que contrastar el proxy contra valuaciones completas en escenarios de prueba fuera de muestra, vigilar el ajuste en la región extrema y no confundir un buen $R^2$ global con precisión donde de verdad importa.
Los organismos profesionales han trabajado este terreno. El Institute and Faculty of Actuaries (IFoA) ha publicado material de sus grupos de trabajo sobre modelos proxy y su validación; la Society of Actuaries (SOA) y la Casualty Actuarial Society (CAS) aportan investigación sobre aprendizaje automático aplicado a la valuación y al capital. En México, emplear un modelo interno, total o parcial, para calcular el RCS está sujeto a la autorización y revisión de la CNSF, lo que sitúa la carga de la prueba en la entidad: debe demostrar que su proxy es apropiado, estable y está bien gobernado.
La lección es la de siempre, con ropa nueva. El machine learning no decide cuánto capital es suficiente; acelera el cálculo para que el actuario dedique su tiempo a lo que ninguna función aproxima: elegir los factores de riesgo relevantes, juzgar si el ajuste en la cola es creíble, entender las garantías implícitas del balance y responder, con su firma, ante el consejo y el regulador. El proxy estima la superficie del riesgo; el criterio decide si el terreno es firme.