Geschäftskontext
Ein Rückversicherer analysiert 1 Million Datensätze zu Naturkatastrophen, um die Abhängigkeit zwischen Windgeschwindigkeit und Schadenssumme zu modellieren, wobei Extremereignisse (Fat Tails) durch eine T-Copula abgebildet werden sollen.
Datenaufbereitung
Generierung eines großen Datensatzes (1 Mio. Zeilen) mit Heavy-Tail-Verteilungen.
Kopiert!
| 1 | |
| 2 | DATA casuser.cat_claims; |
| 3 | call streaminit(12345); |
| 4 | DO i = 1 to 1000000; |
| 5 | wind_speed = rand('Weibull', 2, 50); |
| 6 | loss_amount = (wind_speed**2) * rand('LogNormal', 10, 1); |
| 7 | OUTPUT; |
| 8 | END; |
| 9 | |
| 10 | RUN; |
| 11 |
Étapes de réalisation
1
Hochperformante Anpassung einer T-Copula und Speicherung des Modells.
Kopiert!
| 1 | PROC CAS; |
| 2 | copula.copulaFit / |
| 3 | TABLE={name='cat_claims', caslib='casuser'}, |
| 4 | var={'wind_speed', 'loss_amount'}, |
| 5 | copulaType='T', |
| 6 | method='MLE', |
| 7 | store={name='CatModelStore', caslib='casuser'}, |
| 8 | outpseudo={name='pseudo_claims', caslib='casuser'}; |
| 9 | RUN; |
Erwartetes Ergebnis
Die Aktion verarbeitet das große Volumen effizient. Das Modell wird im Item-Store 'CatModelStore' persistiert und die Pseudo-Beobachtungen werden in 'pseudo_claims' ausgegeben.