Inżynieria zgodności: Solvency II i MSSF 17 dla Platform Builder
Niewiele obszarów technologii jest tak złożonych i obarczonych wysokim ryzykiem jak zgodność przepisy ubezpieczeniowe. Wypłacalność II i MSSF 17 to dwa regulujące ramy regulacyjne odpowiednio wypłacalność (ile kapitału utrzymać) i sprawozdawczość finansową (jak rozliczanie umów ubezpieczeniowych) dla spółek europejskich. Błędne wykonanie implementacji technika tych ram oznacza sankcje, ograniczenia operacyjne i utratę reputacji.
Wyzwaniem dla programistów jest to, że te frameworki nie zostały zaprojektowane z wykorzystaniem technologii pamiętać: są to przepisy aktuarialne i księgowe, które należy przełożyć na systemy oprogramowania. Większość firm miała problemy z wdrożeniami opartymi na arkuszach Excela i wsadowo noce, które trwają godzinami. Dobra wiadomość jest taka, że nowoczesna architektura — hurtownia danych kolumnowy, potok ELT, przetwarzanie rozproszone — w końcu pozwala na budowanie systemów zgodności skalowalne e kontrolowane.
Według PwC zgodność z Solvency II i MSSF 17 stwarza wyjątkową szansę: jedno i drugie przepisy udostępniają wiele danych wejściowych. Zamiast tego integruj potoki raportowania trzymanie ich oddzielnie może zmniejszyć 40-60% roczny koszt eksploatacji zgodności.
Czego się nauczysz
- Przegląd techniczny Solvency II: Filar 1 (SCR), Filar 2 (ORSA), Filar 3 (sprawozdawczość)
- Model danych MSSF 17: grupy kontraktów, modele wyceny (GMM, PAA, VFA)
- Architektura hurtowni danych zapewniająca zgodność z przepisami ubezpieczeniowymi
- Potok obliczeń SCR z Pythonem i dbt
- Budowa raportów Solvency II (QRT) w formacie XBRL
- Model danych MSSF 17 i kalkulacja miar zobowiązań
- Integracja Solvency II + MSSF 17: wspólne dane i ograniczenie powielania
Wypłacalność II: Przegląd techniczny dla programistów
Solvency II i europejskie ramy wypłacalności ubezpieczeń (dyrektywa 2009/138/WE), zbudowany na trzech filarach:
- Filar 1 – Wymagania ilościowe: kalkulacja kapitałowego wymogu wypłacalności (SCR), minimalnego wymogu kapitałowego (MCR) oraz rezerw techniczno-ubezpieczeniowych (najlepsze oszacowanie + margines ryzyka)
- Filar 2 – Zarządzanie i zarządzanie ryzykiem: ORSA (Own Risk and Solvency Assessment), system kontroli wewnętrznej, kluczowe funkcje
- Filar 3 – Sprawozdawczość i przejrzystość: QRT (wzory raportowania ilościowego) dla EIOPA, publiczny SFCR (raport o wypłacalności i kondycji finansowej), RSR dla organu nadzoru
Dla konstruktora platform głównymi punktami pracy są: potok obliczeń rezerwy techniczne i SCR (Filar 1), infrastruktura danych do raportowania QRT (Filar 3) oraz systemy ścieżki audytu dla filaru 2.
Składniki danych Solvency II
| Część | Opis | Obliczanie częstotliwości | Dane techniczne |
|---|---|---|---|
| Najlepsze oszacowanie zobowiązania (BEL) | Oczekiwana wartość bieżąca przyszłych przepływów pieniężnych | Kwartalnie/rocznie | Tabele z przepływami pieniężnymi według roku/wiersza |
| Margines ryzyka (RM) | Koszt kapitału w przypadku ryzyk, których nie można zabezpieczyć | Kwartalnie/rocznie | Wartość skalarna według linii biznesowej |
| SCR (formuła standardowa) | Kapitał wymagany na szoki w 16 modułach ryzyka | Roczne (YE), półroczne | Macierz korelacji + agregacji |
| QRT (szablony raportowania ilościowego) | Wzór EIOPA na potrzeby sprawozdawczości regulacyjnej | Kwartalne + roczne | XBRL, szablon Excela EIOPA |
| Raport ORSA | Własna ocena ryzyka i wypłacalności | Coroczny | Dokument PDF + dane pomocnicze |
Architektura hurtowni danych zapewniająca zgodność
Zgodność z przepisami ubezpieczeniowymi wymaga hurtowni danych o określonej charakterystyce: historyzacji kompletność (ścieżka audytu), identyfikowalność każdej transformacji, uzgadnianie pomiędzy różnymi systemami, oraz możliwość ponownego przetwarzania przeszłych okresów w przypadku korekty danych (późne zmiany).
-- ============================================================
-- 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)
);Najlepszy potok obliczeń szacunkowych w języku Python
Obliczanie najlepszego oszacowania zobowiązań (BEL) jest aktuarialnym sercem Solvency II. W kategoriach technicznych, wymaga prognozy oczekiwanych przyszłych przepływów pieniężnych (odszkodowań, wydatków, składek) i ich dyskontowania z odpowiednią krzywą dochodowości wolną od ryzyka EIOPA. Poniższy kod implementuje wersję uproszczone obliczenia BEL dla działu ubezpieczeń innych niż na życie.
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 resultMSSF 17: Model danych i wdrożenie
MSSF 17 (obowiązujący od 1 stycznia 2023 r. dla spółek z UE) rewolucjonizuje rachunkowość umowy ubezpieczeniowe. Kluczową zasadą jest to, że umów ubezpieczeniowych już nie ma rozliczane w momencie pobierania składek, ale rentowność ta jest uznawana przyszłe oczekiwania (Contractual Service Margin – CSM) oraz że roszczenia wycenia się według kosztu bieżący (wartość bieżąca, a nie koszt historyczny).
Trzy główne modele wyceny MSSF 17 to:
- Ogólny model pomiaru (GMM): model główny; oblicz BEL (zdyskontowany) + korekta ryzyka + CSM
- Metoda alokacji premium (PAA): uproszczenie dla umów krótkoterminowych (maksymalnie 1 rok), podobnie jak w poprzednim MSSF 4
- Metoda zmiennych opłat (VFA): umowy dożywotnie z podziałem zysków
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),
)Generowanie QRT XBRL dla Solvency II
Ilościowe szablony sprawozdawcze (QRT) to ustandaryzowane wzory EIOPA, które: spółki muszą często przekazywać dane organowi nadzorczemu (we Włoszech: IVASS). kwartalnie i rocznie. Od 2016 roku obowiązkowym formatem transmisji jest XBRL (eXtensible Język raportowania biznesowego). Automatyczne generowanie QRT z hurtowni danych np jeden z najbardziej wpływowych przypadków użycia inżynierii zgodności.
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)Integracja z Solvency II i MSSF 17: wspólne dane
Wielką szansą na obniżenie kosztów dostosowania jest zastosowanie Solvency II i MSSF 17 wiele danych wspólnych: oba wymagają najlepszego oszacowania zobowiązań (nawet jeśli zostały obliczone). przy różnych metodologiach), oba wymagają krzywej dochodowości do dyskontowania (nawet jeśli różne: brak ryzyka EIOPA dla Solvency II, bieżąca stopa dyskontowa dla MSSF 17), oba segmentują według linii biznesowych.
Wypłacalność II / MSSF 17 Udostępniane dane
| Dany | Wypłacalność II | MSSF 17 | Kluczowa różnica |
|---|---|---|---|
| Najlepszy szacunek odpowiedzialności | BEL (dyskontowany bez ryzyka) | FCF – składnik BEL | Inna krzywa dochodowości, inna definicja przepływów pieniężnych |
| Krzywa dochodowości | EIOPA bez ryzyka + VA/MA | Aktualna stawka + zablokowana stawka | Dwie oddzielne krzywe w MSSF 17 |
| Segmentacja LoB | 17 linii EIOPA | Więcej zagregowanych linii | Wymagane mapowanie |
| Trójkąty rozwojowe | Do drabiny łańcuchowej | Dla FCF | Te same dane źródłowe |
| Dane dotyczące polityki/umowy | Do obliczenia rezerwy | Według grup umów | Te same dane źródłowe, inna agregacja |
Najlepsze praktyki i anty-wzorce
Najlepsze praktyki w zakresie inżynierii zgodności
- Pojedyncze źródło prawdy dla danych wejściowych: roszczenia, polisy i składki muszą pochodzić z jednej certyfikowanej hurtowni danych; Obliczenia według Wypłacalność II i MSSF 17 muszą rozpoczynać się od tych samych surowych danych
- Niezmienna ścieżka audytu dla każdego przebiegu: każdy przebieg obliczeń musi generować kompletny dziennik zawierający: wersję kodu, dane wejściowe, parametry, dane wyjściowe – niezbędne do przeglądów aktuarialnych i regulacyjnych
- Separacja danych a obliczenia: hurtownia danych musi zawierać wyłącznie dane historyczne i sprawdzone; logika obliczeń musi znajdować się w warstwie aplikacji (Python/R), a nie w procedurach przechowywanych SQL
- Obowiązkowe badania aktuarialne: każda zmiana modeli obliczeniowych musi być opatrzona walidacją przez zespół aktuarialny z porównaniem z okresem poprzednim i analizą odchyleń
- Automatyzacja cyklu zamykania: proces obliczania, sprawdzania i przesyłania QRT musi być w pełni zautomatyzowany z wyzwalaczami czasowymi i alertami dla SLA
Anty-wzorce, których należy unikać
- Excel jako system kalkulacji produkcji: Arkusze Excel nie podlegają audytowi, nie są skalowalne i nie obsługują kontroli wersji; każde obliczenia regulacyjne muszą być w kodzie wersjonowanym
- Odrębne dane dla Solvency II i MSSF 17: utrzymywanie dwóch oddzielnych rurociągów powiela koszty i ryzyko; powielania i powoduje kosztowne uzgodnienia pomiędzy obydwoma ramami
- Kodowanie krzywej dochodowości na stałe: krzywa wolna od ryzyka EIOPA zmienia się co miesiąc; należy go przesłać automatycznie ze strony internetowej EIOPA, a nie wprowadzać go ręcznie
- Ręczne generowanie QRT: ręczna kompilacja EIOPA oraz podatnych na błędy i nieskalowalnych szablonów Excel; automatyzuje generowanie XBRL z hurtowni danych
Wnioski: Koniec serii InsurTech Engineering
Inżynieria zgodności z Solvency II i MSSF 17 to jedna z najbardziej złożonych dziedzin strategie IT w ubezpieczeniach. Wyzwanie ma charakter nie tylko techniczny (obliczenia aktuarialne, format XBRL, terminowość obliczeń), ale także organizacyjnych: koordynacja aktuarialna, księgowa, informatyczna i zgodność z krytycznym i regulowanym procesem.
Dobra wiadomość jest taka, że nowoczesne technologie — kolumnowe hurtownie danych, deklaratywne potoki ELT (dbt), przetwarzanie rozproszone (Spark), automatyzacja przepływu pracy — w końcu to umożliwiają buduj skalowalne, podlegające audytowi i szybko aktualizowalne systemy zgodności, kiedy przepisy ewoluują.
Artykuł ten kończy serię Inżynieria InsurTech. Mamy objęło cały stos technologii współczesnej branży ubezpieczeniowej: od domeny po dane model, po zarządzanie polityką w chmurze, od telematyki UBI po underwriting AI, po automatyzację roszczeń, wykrywanie oszustw, standardy ACORD, aż do compliance regulacyjnych z Solvency II i MSSF 17.
Seria InsurTech Engineering — kompletne artykuły
- 01 - Domena ubezpieczeniowa dla programistów: produkty, aktorzy i modele danych
- 02 — Zarządzanie polityką w chmurze: architektura oparta na interfejsie API
- 03 – Rurociąg telematyczny: przetwarzanie danych UBI na dużą skalę
- 04 - Underwriting AI: Inżynieria funkcji i punktacja ryzyka
- 05 - Automatyzacja roszczeń: wizja komputerowa i NLP
- 06 - Wykrywanie oszustw: analiza wykresów i sygnał behawioralny
- 07 - Integracja standardu ACORD i API ubezpieczeń
- 08 - Inżynieria zgodności: Wypłacalność II i MSSF 17 (ten artykuł)