Compliance Engineering: Solvency II en IFRS 17 voor Platform Builder
Weinig technologische gebieden zijn zo complex en riskant als compliance verzekeringsvoorschriften. Solvency II en IFRS 17 zijn de twee regulerende kaders respectievelijk solvabiliteit (hoeveel kapitaal aan te houden) en financiële rapportage (hoe boekhouding voor verzekeringscontracten) voor Europese bedrijven. De implementatie verkeerd uitvoeren techniek van deze raamwerken betekent sancties, operationele beperkingen en reputatieverlies.
De uitdaging voor ontwikkelaars is dat deze raamwerken niet met technologie zijn ontworpen in gedachten: het zijn actuariële en boekhoudkundige regels die vertaald moeten worden naar softwaresystemen. De meeste bedrijven hebben geworsteld met Excel-sheetgebaseerde en batchgebaseerde implementaties Nachten die uren duren. Het goede nieuws is dat moderne architectuur een datawarehouse is zuilvormig, ELT-pijplijn, gedistribueerd computergebruik - stelt u eindelijk in staat systemen te bouwen van naleving schaalbaar e controleerbaar.
Volgens PwC biedt compliance aan Solvency II en IFRS 17 een unieke kans: beide regelgeving deelt veel inputgegevens. Integreer rapportagepijplijnen in plaats van Door ze gescheiden te houden, kun je de kans verminderen 40-60% de jaarlijkse exploitatiekosten van naleving.
Wat je gaat leren
- Solvency II technisch overzicht: Pijler 1 (SCR), Pijler 2 (ORSA), Pijler 3 (rapportage)
- IFRS 17 datamodel: contractgroepen, meetmodellen (GMM, PAA, VFA)
- Datawarehouse-architectuur voor naleving van verzekeringen
- SCR-berekeningspijplijn met Python en dbt
- Opbouw van Solvency II rapportages (QRT) in XBRL formaat
- IFRS 17 datamodel en berekening van aansprakelijkheidsmaatstaven
- Solvency II + IFRS 17-integratie: gedeelde gegevens en vermindering van dubbel werk
Solvency II: technisch overzicht voor ontwikkelaars
Solvency II en het Europese verzekeringssolvabiliteitsraamwerk (Richtlijn 2009/138/EG), opgebouwd rond drie pijlers:
- Pijler 1 – Kwantitatieve vereisten: berekening van het Solvency Capital Requirement (SCR), het Minimum Capital Requirement (MCR) en de technische reserves (Best Estimate + Risk Margin)
- Pijler 2 – Governance en risicobeheer: ORSA (Own Risk and Solvency Assessment), intern controlesysteem, sleutelfuncties
- Pijler 3 – Rapportage en transparantie: QRT (Quantitative Reporting Templates) voor EIOPA, openbare SFCR (Solvency and Financial Condition Report), RSR voor de toezichthouder
Voor een platformbouwer zijn de belangrijkste werkpunten: de rekenpijplijn technische reserves en SCR (pijler 1), de data-infrastructuur voor QRT-rapportage (pijler 3) en audit trail-systemen voor Pijler 2.
Solvabiliteit II-gegevenscomponenten
| Onderdeel | Beschrijving | Frequentieberekening | Technische output |
|---|---|---|---|
| Beste schatting aansprakelijkheid (BEL) | Verwachte contante waarde van toekomstige kasstromen | Driemaandelijks/jaarlijks | Tabellen met cashflow per jaar/regel |
| Risicomarge (RM) | Kapitaalkosten voor niet-hedgebare risico's | Driemaandelijks/jaarlijks | Scalaire waarde per bedrijfsonderdeel |
| SCR (standaardformule) | Kapitaal vereist voor schokken op 16 risicomodules | Jaarlijks (YE), halfjaarlijks | Correlatie + aggregatiematrix |
| QRT (kwantitatieve rapportagesjablonen) | EIOPA-sjabloon voor wettelijke rapportage | Driemaandelijks + jaarlijks | XBRL, Excel-sjabloon EIOPA |
| ORSA-rapport | Eigen risico- en solvabiliteitsbeoordeling | Jaarlijks | PDF-document + ondersteunende gegevens |
Datawarehouse-architectuur voor compliance
Verzekeringscompliance vereist een datawarehouse met specifieke kenmerken: historisatie compleet (audit trail), traceerbaarheid van elke transformatie, afstemming tussen verschillende systemen, en de mogelijkheid om eerdere perioden opnieuw te verwerken waarin gegevens zijn gecorrigeerd (late wijzigingen).
-- ============================================================
-- Schema dbt per Solvency II + IFRS 17 Data Warehouse
-- ============================================================
-- Layer 1: Raw / Staging (dati grezzi dai sistemi operativi)
-- Tabella base contratti assicurativi
CREATE TABLE staging.insurance_contracts (
contract_id VARCHAR(50) NOT NULL,
policy_number VARCHAR(30) NOT NULL,
product_code VARCHAR(20) NOT NULL,
line_of_business VARCHAR(30) NOT NULL, -- auto, property, liability, life
inception_date DATE NOT NULL,
expiry_date DATE,
issue_date DATE NOT NULL,
policyholder_id VARCHAR(50),
sum_insured DECIMAL(18, 2),
annual_premium DECIMAL(18, 2),
currency CHAR(3) NOT NULL,
status VARCHAR(20), -- active, lapsed, expired, cancelled
-- Audit columns
source_system VARCHAR(30),
load_timestamp TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,
valid_from DATE NOT NULL,
valid_to DATE, -- NULL = record corrente
is_current BOOLEAN DEFAULT TRUE,
PRIMARY KEY (contract_id, valid_from)
);
-- Tabella sinistri per BEL cashflow
CREATE TABLE staging.claims (
claim_id VARCHAR(50) NOT NULL PRIMARY KEY,
contract_id VARCHAR(50) NOT NULL,
fnol_date DATE NOT NULL,
incident_date DATE NOT NULL,
reported_amount DECIMAL(18, 2),
paid_amount DECIMAL(18, 2),
reserve_amount DECIMAL(18, 2), -- riserva corrente
case_reserve DECIMAL(18, 2), -- riserva per sinistro specifico
ibnr_reserve DECIMAL(18, 2), -- riserva IBNR
settlement_date DATE,
status VARCHAR(20),
load_timestamp TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP
);
-- Tabella yield curve per sconto BEL (EIOPA Risk-Free Rate)
CREATE TABLE staging.eiopa_yield_curve (
curve_date DATE NOT NULL,
currency CHAR(3) NOT NULL,
maturity_years INTEGER NOT NULL, -- 1, 2, ..., 150
spot_rate DECIMAL(10, 6), -- tasso spot risk-free
forward_rate DECIMAL(10, 6),
source VARCHAR(30), -- EIOPA pubblicazione ufficiale
PRIMARY KEY (curve_date, currency, maturity_years)
);
-- Layer 2: Intermediate / Mart (trasformazioni dbt)
-- Calcolo cashflow proiettati per linea di business
-- Modello semplificato: in produzione usare modelli attuariali complessi
CREATE TABLE mart.solvency2_bel_cashflows (
valuation_date DATE NOT NULL,
line_of_business VARCHAR(30) NOT NULL,
projection_year INTEGER NOT NULL, -- anni futuri: 1, 2, ..., N
currency CHAR(3) NOT NULL,
-- Cashflow per categoria
expected_claims_paid DECIMAL(18, 2), -- sinistri attesi da pagare
expected_expenses DECIMAL(18, 2), -- spese di gestione attese
expected_premiums DECIMAL(18, 2), -- premi futuri attesi (rami vita)
net_cashflow DECIMAL(18, 2), -- cashflow netto (claims + exp - premi)
-- Fattore di sconto dalla yield curve EIOPA
discount_factor DECIMAL(10, 6),
present_value_net_cf DECIMAL(18, 2), -- PV del cashflow netto
-- Metadata
calc_run_id VARCHAR(36), -- UUID del run di calcolo
calc_timestamp TIMESTAMP,
actuary_model_version VARCHAR(20),
PRIMARY KEY (valuation_date, line_of_business, projection_year, currency)
);
-- Best Estimate Liability aggregata
CREATE TABLE mart.solvency2_bel_summary (
valuation_date DATE NOT NULL,
line_of_business VARCHAR(30) NOT NULL,
currency CHAR(3) NOT NULL,
best_estimate DECIMAL(18, 2), -- somma PV cashflow futuri
risk_margin DECIMAL(18, 2), -- costo del capitale rischi non hedgiabili
technical_provision DECIMAL(18, 2), -- BEL + Risk Margin
-- Componenti BEL
bel_claims DECIMAL(18, 2),
bel_expenses DECIMAL(18, 2),
bel_premiums DECIMAL(18, 2),
-- Confronto con periodo precedente
prior_quarter_bel DECIMAL(18, 2),
bel_movement DECIMAL(18, 2),
-- Metadata
calc_run_id VARCHAR(36),
approved_by VARCHAR(100),
approval_date DATE,
PRIMARY KEY (valuation_date, line_of_business, currency)
);Beste schattingsberekeningspijplijn met Python
De berekening van de Best Estimate Liability (BEL) is het actuariële hart van Solvency II. In termen technisch, vereist het projecteren van verwachte toekomstige kasstromen (claims, uitgaven, premies) en het verdisconteren ervan met de passende risicovrije rentecurve van EIOPA. De volgende code implementeert een versie vereenvoudigde BEL-berekening voor de schadebranche.
import numpy as np
import pandas as pd
from typing import Dict, List, Optional, Tuple
from dataclasses import dataclass
from datetime import date
import uuid
@dataclass
class BELInputData:
"""Dati di input per il calcolo del BEL."""
valuation_date: date
line_of_business: str
currency: str
# Triangolo di sviluppo sinistri (per Chain-Ladder o BF)
claims_triangle: pd.DataFrame # rows=accident_year, cols=development_year
# Premi di competenza e spese storici
earned_premiums: pd.Series # indexed by year
expense_ratio: float # % premi
# Yield curve EIOPA
yield_curve: pd.Series # indexed by maturity (1, 2, ..., 150)
# Parametri del modello
tail_factor: float = 1.05 # fattore di coda per il triangolo
projection_years: int = 25 # anni di proiezione
@dataclass
class BELResult:
"""Risultato del calcolo BEL."""
valuation_date: date
line_of_business: str
currency: str
best_estimate: float
bel_claims: float
bel_expenses: float
cashflow_by_year: pd.DataFrame
calc_run_id: str
calc_timestamp: str
class BestEstimateLiabilityCalculator:
"""
Calcolo del Best Estimate Liability per ramo danni (Solvency II).
Implementa il metodo Chain-Ladder per la proiezione dei sinistri
e il discounting con la curva risk-free EIOPA.
NOTA: Questo e un modello semplificato a scopo didattico.
In produzione, il calcolo attuariale richiede modelli certificati
e validati dal team attuariale.
"""
def calculate(self, data: BELInputData) -> BELResult:
"""Esegue il calcolo completo del BEL."""
calc_run_id = str(uuid.uuid4())
# Step 1: Proiezione dei sinistri con Chain-Ladder
projected_claims = self._chain_ladder_projection(data)
# Step 2: Proiezione cashflow annuali
cashflow_df = self._build_cashflow_projections(data, projected_claims)
# Step 3: Sconto con yield curve EIOPA
cashflow_df = self._apply_discounting(cashflow_df, data.yield_curve)
# Step 4: Aggregazione
bel_claims = float(cashflow_df["pv_claims"].sum())
bel_expenses = float(cashflow_df["pv_expenses"].sum())
best_estimate = bel_claims + bel_expenses
return BELResult(
valuation_date=data.valuation_date,
line_of_business=data.line_of_business,
currency=data.currency,
best_estimate=round(best_estimate, 2),
bel_claims=round(bel_claims, 2),
bel_expenses=round(bel_expenses, 2),
cashflow_by_year=cashflow_df,
calc_run_id=calc_run_id,
calc_timestamp=pd.Timestamp.now().isoformat(),
)
def _chain_ladder_projection(self, data: BELInputData) -> pd.DataFrame:
"""
Proiezione dei sinistri con il metodo Chain-Ladder.
Il triangolo di sviluppo ha:
- Righe: anni di accadimento (accident year)
- Colonne: anni di sviluppo (development year 1, 2, ..., N)
"""
triangle = data.claims_triangle.copy()
# Calcola i fattori di sviluppo (link ratios) dalla diagonale
n_dev_years = len(triangle.columns)
development_factors = []
for j in range(n_dev_years - 1):
col_curr = triangle.columns[j]
col_next = triangle.columns[j + 1]
# Solo le righe con dati in entrambe le colonne
mask = triangle[col_curr].notna() & triangle[col_next].notna()
if mask.sum() == 0:
development_factors.append(1.0)
continue
factor = (
triangle.loc[mask, col_next].sum() /
triangle.loc[mask, col_curr].sum()
)
development_factors.append(factor)
# Aggiungi il tail factor per l'ultimo anno di sviluppo
development_factors.append(data.tail_factor)
# Completa il triangolo proiettando i valori mancanti
for i, accident_year in enumerate(triangle.index):
for j, dev_year in enumerate(triangle.columns):
if pd.isna(triangle.loc[accident_year, dev_year]):
# Proietta dalla cella precedente
prev_col = triangle.columns[j - 1]
if not pd.isna(triangle.loc[accident_year, prev_col]):
triangle.loc[accident_year, dev_year] = (
triangle.loc[accident_year, prev_col] * development_factors[j - 1]
)
# Calcola i sinistri da sviluppare per anno
# (ultima colonna del triangolo completato - ultima diagonale)
ultimate_claims = triangle.iloc[:, -1]
last_known = triangle.apply(lambda row: row.dropna().iloc[-1] if row.notna().any() else 0, axis=1)
ibnr_by_year = ultimate_claims - last_known
return pd.DataFrame({
"accident_year": triangle.index,
"ultimate": ultimate_claims.values,
"last_known": last_known.values,
"ibnr": ibnr_by_year.values,
}).set_index("accident_year")
def _build_cashflow_projections(
self, data: BELInputData, projected_claims: pd.DataFrame
) -> pd.DataFrame:
"""
Costruisce il profilo temporale dei cashflow futuri.
Distribuisce i sinistri proiettati negli anni futuri.
"""
rows = []
total_ibnr = projected_claims["ibnr"].sum()
avg_premium = data.earned_premiums.mean() if not data.earned_premiums.empty else 0
for year in range(1, data.projection_years + 1):
# Pattern di pagamento semplificato: esponenziale decrescente
payment_weight = np.exp(-0.3 * year)
normalizer = sum(np.exp(-0.3 * y) for y in range(1, data.projection_years + 1))
year_claims = total_ibnr * (payment_weight / normalizer)
year_expenses = year_claims * data.expense_ratio
rows.append({
"projection_year": year,
"claims_cashflow": round(year_claims, 2),
"expense_cashflow": round(year_expenses, 2),
"net_cashflow": round(year_claims + year_expenses, 2),
})
return pd.DataFrame(rows).set_index("projection_year")
def _apply_discounting(
self, cashflows: pd.DataFrame, yield_curve: pd.Series
) -> pd.DataFrame:
"""Applica il discounting con la curva risk-free EIOPA."""
result = cashflows.copy()
pv_claims = []
pv_expenses = []
for year in cashflows.index:
# Tasso spot per la maturity corrispondente
rate = float(yield_curve.get(year, yield_curve.iloc[-1]))
discount_factor = 1.0 / (1.0 + rate) ** year
pv_claims.append(cashflows.loc[year, "claims_cashflow"] * discount_factor)
pv_expenses.append(cashflows.loc[year, "expense_cashflow"] * discount_factor)
result["pv_claims"] = pv_claims
result["pv_expenses"] = pv_expenses
result["pv_net"] = result["pv_claims"] + result["pv_expenses"]
return resultIFRS 17: Datamodel en implementatie
IFRS 17 (van kracht vanaf 1 januari 2023 voor bedrijven in de EU) zorgt voor een revolutie in de boekhouding van verzekeringscontracten. Het belangrijkste principe is dat verzekeringscontracten niet langer bestaan verantwoord wanneer de premies worden geïnd, maar die winstgevendheid wordt erkend toekomstverwachting (Contractual Service Margin - CSM) en dat claims tegen kostprijs worden gewaardeerd actueel (huidige waarde, niet historische kosten).
De drie belangrijkste waarderingsmodellen van IFRS 17 zijn:
- Algemeen meetmodel (GMM): hoofdmodel; bereken BEL (verdisconteerd) + Risicoaanpassing + CSM
- Premium Allocatiebenadering (PAA): vereenvoudiging voor kortetermijncontracten (maximaal 1 jaar), vergelijkbaar met de vorige IFRS 4
- Variabele vergoedingsbenadering (VFA): voor levenscontracten met winstdeling
import pandas as pd
import numpy as np
from dataclasses import dataclass, field
from typing import Dict, List, Optional
from datetime import date
from enum import Enum
class IFRS17MeasurementModel(str, Enum):
GMM = "GMM" # General Measurement Model
PAA = "PAA" # Premium Allocation Approach
VFA = "VFA" # Variable Fee Approach
class ContractGroup(str, Enum):
"""IFRS 17 richiede la separazione in 3 gruppi di redditivita."""
ONEROUS = "onerous" # contratti in perdita
NO_SIGNIFICANT_RISK = "no_significant_risk" # nessun rischio di diventare onerosi
REMAINING = "remaining" # tutti gli altri
@dataclass
class IFRS17ContractGroup:
"""
Gruppo di contratti IFRS 17.
IFRS 17 richiede di raggruppare i contratti per:
- Anno di emissione (cohort annuale)
- Linea di business
- Gruppo di redditivita (onerous/remaining/no-significant-risk)
I gruppi NON possono essere mescolati tra anni diversi.
"""
group_id: str
line_of_business: str
issue_cohort_year: int
profitability_group: ContractGroup
measurement_model: IFRS17MeasurementModel
currency: str
# Contratti nel gruppo
contract_ids: List[str] = field(default_factory=list)
@dataclass
class IFRS17LiabilityMeasures:
"""
Misure delle passivita IFRS 17 per un gruppo di contratti.
GMM: LRC = FCF (BEL + RA) + CSM
"""
group_id: str
valuation_date: date
measurement_model: IFRS17MeasurementModel
# Fulfilment Cash Flows (FCF)
best_estimate_liability: float # BEL scontato (come Solvency II)
risk_adjustment: float # aggiustamento per rischio non-finanziario
fulfilment_cash_flows: float # = BEL + RA
# Contractual Service Margin (CSM)
# Profitto futuro atteso ancora da riconoscere
csm_opening: float # CSM inizio periodo
csm_accretion: float # interessi maturati
csm_experience_adjustments: float # rettifiche per esperienza
csm_release: float # CSM rilasciato a P&L nel periodo
csm_closing: float # CSM fine periodo
# Liability for Remaining Coverage (LRC)
lrc: float # = FCF + CSM (se > 0) oppure FCF (se CSM < 0, onerous)
# Liability for Incurred Claims (LIC)
lic: float # per sinistri già occorsi ma non ancora liquidati
# Total Insurance Contract Liabilities
total_liability: float # = LRC + LIC
class IFRS17Calculator:
"""
Calcolatore delle misure IFRS 17.
Implementa il GMM (General Measurement Model) e il PAA
(Premium Allocation Approach) per contratti breve termine.
"""
RISK_ADJUSTMENT_CONFIDENCE = 0.75 # confidenza target per RA (tipicamente 70-80%)
def calculate_gmm(
self,
group: IFRS17ContractGroup,
bel: float,
bel_prior: float,
risk_adjustment: float,
csm_opening: float,
discount_rate: float,
coverage_units_current: float,
coverage_units_remaining: float,
experience_variance: float = 0.0,
) -> IFRS17LiabilityMeasures:
"""
Calcola le misure IFRS 17 con il GMM.
Args:
bel: Best Estimate Liability corrente (attualizzato)
bel_prior: BEL al periodo precedente
risk_adjustment: RA al periodo corrente
csm_opening: CSM di apertura del periodo
discount_rate: tasso di interesse locked-in (tasso alla data di emissione)
coverage_units_current: unita di copertura del periodo corrente
coverage_units_remaining: unita di copertura residue
experience_variance: varianza di esperienza sul BEL
"""
# Fulfilment Cash Flows
fcf = bel + risk_adjustment
# CSM movement
csm_accretion = csm_opening * discount_rate
# Aggiustamento CSM per variazioni delle stime future (non experience)
# Le experience variances vanno a P&L, non al CSM
csm_after_accretion = csm_opening + csm_accretion
# Rilascio CSM: proporzionale alle coverage units del periodo vs totali
if (coverage_units_current + coverage_units_remaining) > 0:
release_ratio = coverage_units_current / (
coverage_units_current + coverage_units_remaining
)
else:
release_ratio = 0.0
csm_release = csm_after_accretion * release_ratio
csm_closing = max(0.0, csm_after_accretion - csm_release)
# Se il gruppo diventa oneroso (CSM negativo), impatta subito P&L
if csm_after_accretion < 0:
# Loss component: ammontare per cui il gruppo e oneroso
csm_closing = 0.0
# LRC = FCF + CSM (contratti non onerosi)
lrc = fcf + csm_closing
# LIC approssimato (in produzione: calcolo separato per sinistri incorsi)
lic = abs(bel * 0.15) # stima semplificata: 15% BEL e LIC
return IFRS17LiabilityMeasures(
group_id=group.group_id,
valuation_date=date.today(),
measurement_model=IFRS17MeasurementModel.GMM,
best_estimate_liability=round(bel, 2),
risk_adjustment=round(risk_adjustment, 2),
fulfilment_cash_flows=round(fcf, 2),
csm_opening=round(csm_opening, 2),
csm_accretion=round(csm_accretion, 2),
csm_experience_adjustments=round(experience_variance, 2),
csm_release=round(csm_release, 2),
csm_closing=round(csm_closing, 2),
lrc=round(lrc, 2),
lic=round(lic, 2),
total_liability=round(lrc + lic, 2),
)
def calculate_paa(
self,
group: IFRS17ContractGroup,
unearned_premium_reserve: float,
acquisition_costs_deferred: float,
claims_liability: float,
risk_adjustment_incurred: float,
) -> IFRS17LiabilityMeasures:
"""
Calcola le misure IFRS 17 con il PAA (contratti <= 1 anno).
Nel PAA la LRC e approssimata dalla riserva premi non guadagnati
meno i costi di acquisizione differiti.
"""
lrc = unearned_premium_reserve - acquisition_costs_deferred
lic = claims_liability + risk_adjustment_incurred
return IFRS17LiabilityMeasures(
group_id=group.group_id,
valuation_date=date.today(),
measurement_model=IFRS17MeasurementModel.PAA,
best_estimate_liability=claims_liability,
risk_adjustment=risk_adjustment_incurred,
fulfilment_cash_flows=claims_liability + risk_adjustment_incurred,
csm_opening=0.0, # PAA non ha CSM esplicito
csm_accretion=0.0,
csm_experience_adjustments=0.0,
csm_release=0.0,
csm_closing=0.0,
lrc=round(lrc, 2),
lic=round(lic, 2),
total_liability=round(lrc + lic, 2),
)QRT XBRL-generatie voor Solvency II
De Quantitative Reporting Templates (QRT) zijn de gestandaardiseerde EIOPA-sjablonen die bedrijven moeten regelmatig informatie doorgeven aan de toezichthoudende autoriteit (in Italië: IVASS). driemaandelijks en jaarlijks. Sinds 2016 is het verplichte transmissieformaat XBRL (eXtensible Zakelijke rapportagetaal). Het automatisch genereren van QRT's vanuit een datawarehouse e een van de meest impactvolle gebruiksscenario's voor compliance-engineering.
import pandas as pd
from typing import Dict, List, Any, Optional
from dataclasses import dataclass
from datetime import date
import xml.etree.ElementTree as ET
from xml.dom import minidom
# Namespace XBRL standard per Solvency II (EIOPA)
XBRL_NAMESPACES = {
"xbrli": "http://www.xbrl.org/2003/instance",
"link": "http://www.xbrl.org/2003/linkbase",
"xlink": "http://www.w3.org/1999/xlink",
"xsi": "http://www.w3.org/2001/XMLSchema-instance",
"s2md_met": "http://eiopa.europa.eu/xbrl/s2md/dict/met",
"s2c_dim": "http://eiopa.europa.eu/xbrl/s2c/dict/dim",
"s2c_CA": "http://eiopa.europa.eu/xbrl/s2c/dict/dom/CA",
"iso4217": "http://www.xbrl.org/2003/iso4217",
}
# Template S.01.01 - Contenuto della presentazione (indice dei QRT)
# Template S.02.01 - Stato patrimoniale
# Template S.17.01 - Riserve tecniche ramo non vita
# Template S.25.01 - Solvency Capital Requirement (Standard Formula)
@dataclass
class QRTContext:
"""Metadati per la generazione del QRT XBRL."""
entity_id: str # codice identificativo IVASS/LEI
entity_name: str
reporting_period_end: date
reporting_currency: str # EUR per la maggior parte
solo_or_group: str # "solo" o "group"
report_type: str # "annual" o "quarterly"
class SolvencyIIQRTGenerator:
"""
Generatore di QRT XBRL per Solvency II.
Implementa un sottoinsieme dei template EIOPA:
- S.01.01 (indice)
- S.02.01 (stato patrimoniale Solvency II)
- S.17.01 (riserve tecniche non vita)
NOTA: In produzione, usare librerie XBRL specializzate come
Arelle o soluzioni certified EIOPA per la compliance completa.
"""
def generate_s01_01(self, ctx: QRTContext) -> str:
"""
Genera il template S.01.01 - Contenuto della presentazione.
Elenca i QRT inclusi nella submission.
"""
root = ET.Element("xbrl", attrib={
"xmlns": "http://www.xbrl.org/2003/instance",
"xmlns:xsi": "http://www.w3.org/2001/XMLSchema-instance",
})
# Context
context = ET.SubElement(root, "context", id="ctx_S0101")
entity_el = ET.SubElement(context, "entity")
identifier = ET.SubElement(entity_el, "identifier", scheme="http://www.lei.org")
identifier.text = ctx.entity_id
period = ET.SubElement(context, "period")
instant = ET.SubElement(period, "instant")
instant.text = ctx.reporting_period_end.isoformat()
# Unit (EUR)
unit = ET.SubElement(root, "unit", id="EUR")
measure = ET.SubElement(unit, "measure")
measure.text = "iso4217:EUR"
# Template S.01.01 data points
# R0010: Template S.01.01 presente
self._add_fact(root, "s2md_met:ei_S0101R0010C0010", "ctx_S0101", "EUR", "true")
# R0020: Template S.02.01 presente (stato patrimoniale)
self._add_fact(root, "s2md_met:ei_S0101R0020C0010", "ctx_S0101", "EUR", "true")
# R0080: Template S.17.01 presente (riserve non vita)
self._add_fact(root, "s2md_met:ei_S0101R0080C0010", "ctx_S0101", "EUR", "true")
# R0190: Template S.25.01 presente (SCR formula standard)
self._add_fact(root, "s2md_met:ei_S0101R0190C0010", "ctx_S0101", "EUR", "true")
return self._pretty_print(root)
def generate_s17_01(
self,
ctx: QRTContext,
bel_data: Dict[str, float],
risk_margin_data: Dict[str, float],
) -> str:
"""
Genera S.17.01 - Riserve tecniche ramo non vita.
Args:
bel_data: BEL per linea EIOPA (es. {"motor_vehicle_liability": 1500000.0})
risk_margin_data: Risk Margin per linea EIOPA
"""
root = ET.Element("xbrl", attrib={
"xmlns": "http://www.xbrl.org/2003/instance",
})
# Mapping linee di business interne -> codici EIOPA QRT
lob_codes = {
"motor_vehicle_liability": "s2c_CA:x1",
"other_motor": "s2c_CA:x2",
"marine": "s2c_CA:x5",
"fire_property": "s2c_CA:x7",
"general_liability": "s2c_CA:x9",
"credit_suretyship": "s2c_CA:x10",
}
for lob_internal, bel_value in bel_data.items():
lob_code = lob_codes.get(lob_internal, "s2c_CA:x99")
ctx_id = f"ctx_S1701_{lob_internal}"
# Context con dimensione linea di business
context = ET.SubElement(root, "context", id=ctx_id)
entity_el = ET.SubElement(context, "entity")
identifier = ET.SubElement(entity_el, "identifier", scheme="http://www.lei.org")
identifier.text = ctx.entity_id
period = ET.SubElement(context, "period")
instant = ET.SubElement(period, "instant")
instant.text = ctx.reporting_period_end.isoformat()
scenario = ET.SubElement(context, "scenario")
explicit_member = ET.SubElement(
scenario, "explicitMember",
dimension="s2c_dim:LB"
)
explicit_member.text = lob_code
# Unit
unit = ET.SubElement(root, "unit", id=f"EUR_{lob_internal}")
measure = ET.SubElement(unit, "measure")
measure.text = "iso4217:EUR"
# Dati QRT S.17.01
# R0010: Riserve premi - BEL
self._add_fact(
root, "s2md_met:tp_S1701R0010C0010",
ctx_id, f"EUR_{lob_internal}",
str(round(bel_value * 0.3, 2)) # stima: 30% del BEL e premi
)
# R0020: Riserve sinistri - BEL
self._add_fact(
root, "s2md_met:tp_S1701R0020C0010",
ctx_id, f"EUR_{lob_internal}",
str(round(bel_value * 0.7, 2)) # 70% del BEL e sinistri
)
# R0060: Best Estimate (totale)
self._add_fact(
root, "s2md_met:tp_S1701R0060C0010",
ctx_id, f"EUR_{lob_internal}",
str(round(bel_value, 2))
)
# R0070: Risk Margin
rm = risk_margin_data.get(lob_internal, 0.0)
self._add_fact(
root, "s2md_met:tp_S1701R0070C0010",
ctx_id, f"EUR_{lob_internal}",
str(round(rm, 2))
)
# R0100: Technical Provisions totale (BEL + RM)
self._add_fact(
root, "s2md_met:tp_S1701R0100C0010",
ctx_id, f"EUR_{lob_internal}",
str(round(bel_value + rm, 2))
)
return self._pretty_print(root)
def _add_fact(
self, parent: ET.Element,
concept: str, context_ref: str,
unit_ref: str, value: str
) -> ET.Element:
"""Aggiunge un data point XBRL."""
fact = ET.SubElement(parent, concept, attrib={
"contextRef": context_ref,
"unitRef": unit_ref,
"decimals": "2",
})
fact.text = value
return fact
def _pretty_print(self, root: ET.Element) -> str:
xml_str = ET.tostring(root, encoding="unicode")
dom = minidom.parseString(xml_str)
return dom.toprettyxml(indent=" ", encoding=None)Solvency II + IFRS 17-integratie: gedeelde gegevens
De grote kans om de kosten van compliance te verlagen is het gebruik van Solvency II en IFRS 17 veel gegevens gemeen: beide vereisen de beste schatting van de verplichtingen (zelfs indien berekend). met verschillende methodologieën), vereisen beide een rentecurve voor het verdisconteren (zelfs als verschillend: EIOPA risicovrij voor Solvency II, huidige disconteringsvoet voor IFRS 17), beide ze segmenteren per bedrijfslijn.
Solvabiliteit II / IFRS 17 Gedeelde gegevens
| Gegeven | Solvabiliteit II | IFRS 17 | Belangrijkste verschil |
|---|---|---|---|
| Beste schatting van aansprakelijkheid | BEL (risicovrij verdisconteerd) | FCF - BEL-component | Andere rentecurve, andere cashflowdefinitie |
| Opbrengstcurve | EIOPA risicovrij + VA/MA | Huidig + vast tarief | Twee afzonderlijke curven in IFRS 17 |
| LoBs-segmentatie | 17 EIOPA-lijnen | Meer samengevoegde lijnen | In kaart brengen vereist |
| Ontwikkelingsdriehoeken | Voor kettingladder | Voor FCF | Dezelfde brongegevens |
| Polis-/contractgegevens | Voor reserveberekening | Door groepen contracten | Dezelfde brongegevens, andere aggregatie |
Beste praktijken en antipatronen
Beste praktijken voor compliance-engineering
- Eén bron van waarheid voor invoergegevens: claims, polissen en premies moeten afkomstig zijn uit één gecertificeerd datawarehouse; Solvency II- en IFRS 17-berekeningen moeten uitgaan van dezelfde ruwe data
- Onveranderlijk audittraject voor elke run: elke berekeningsrun moet een compleet logboek opleveren met: codeversie, invoergegevens, parameters, output - noodzakelijk voor actuariële en regelgevende beoordelingen
- Gegevensscheiding versus berekening: het datawarehouse mag alleen historische en samengestelde gegevens bevatten; de berekeningslogica moet zich in de applicatielaag (Python/R) bevinden, en niet in opgeslagen SQL-procedures
- Verplichte actuariële toetsing: elke wijziging aan de rekenmodellen moet vergezeld gaan van validatie door het actuariële team met vergelijking met de voorgaande periode en analyse van afwijkingen
- Automatisering van de sluitcyclus: het proces van het berekenen, valideren en verzenden van QRT’s moet volledig geautomatiseerd zijn met tijdtriggers en waarschuwingen voor SLA’s
Antipatronen die u moet vermijden
- Excel als productieberekeningssysteem: Excel-sheets zijn niet controleerbaar, niet schaalbaar en ondersteunen geen versiebeheer; elke wettelijke berekening moet in versiecode zijn
- Afzonderlijke gegevens voor Solvency II en IFRS 17: het onderhouden van twee afzonderlijke pijpleidingen brengt dubbele kosten en risico's met zich mee; duplicatie en veroorzaakt kostbare afstemmingen tussen de twee raamwerken
- Het hardcoderen van de rentecurve: de risicovrije curve van EIOPA verandert elke maand; het moet automatisch worden geüpload vanaf de EIOPA-website en niet handmatig worden ingevoerd
- Handmatige QRT-generatie: handmatige compilatie van EIOPA en foutgevoelige en niet-schaalbare Excel-sjablonen; automatiseert het genereren van XBRL vanuit het datawarehouse
Conclusies: Einde van de InsurTech Engineering Series
Compliance engineering voor Solvency II en IFRS 17 is een van de meest complexe domeinen IT-strategieën voor verzekeringen. De uitdaging is niet alleen technisch (actuariële berekeningen, XBRL-formaat, timing van berekeningen) maar ook organisatorisch: het coördineren van actuarieel, boekhouding, IT en naleving van een kritisch en gereguleerd proces.
Het goede nieuws is dat moderne technologieën – kolomvormige datawarehouses, declaratieve ELT-pijplijnen (dbt), gedistribueerd computergebruik (Spark), workflowautomatisering – ze maken het eindelijk mogelijk schaalbare, controleerbare en snel bij te werken compliancesystemen bouwen wanneer regelgeving evolueert.
Dit artikel sluit de serie af InsurTech-techniek. Wij hebben besloeg de hele technologiestapel van de moderne verzekeringssector: van het domein tot de data model, tot cloud-native beleidsbeheer, van UBI-telematica tot AI-acceptatie, van claimautomatisering, fraudedetectie, ACORD-normen tot compliance regelgeving met Solvency II en IFRS 17.
InsurTech Engineering Series - Volledige artikelen
- 01 - Verzekeringsdomein voor ontwikkelaars: producten, actoren en datamodellen
- 02 - Cloud-native beleidsbeheer: API-First-architectuur
- 03 - Telematicapijplijn: UBI-gegevensverwerking op schaal
- 04 - AI-acceptatie: feature-engineering en risicoscores
- 05 - Claimautomatisering: Computer Vision en NLP
- 06 - Fraudedetectie: grafiekanalyse en gedragssignaal
- 07 - ACORD Standard en Insurance API-integratie
- 08 - Compliance Engineering: Solvency II en IFRS 17 (dit artikel)