在这里，它再次“开始”：回顾NAIC对经济情景生成器的第二次行业现场测试

这里又“GOES”了：回顾美国保险监督官协会（NAIC）对经济情景生成器（GeneratorofEconomicScenarios）的第二项行业实地测试 科林·戴维森·帕克赫利周立文沙哈尔·莫蒂瓦拉 执行摘要 美国保险监督官协会（NAIC）持续推进其对美国基于原则的准备金（PBR）中使用的经济情景生成器（GOES）的改革工作。最近，这包括第二次行业实地测试，并得到已发布的模型办公室结果的支持，以了解对受PBR约束的业务相关法定要求的潜在影响，特别是VM-21准备金和可变年金（VA）的C-3第二阶段资本。本文提出的研究利用2023年首次行业实地测试后发布的模型和框架，以加深对拟议情景的当前理解。这些计算旨在说明一个典型的VA组合的示例，可能不代表特定公司的状况，但旨在提供关于拟议情景风险管理含义的宝贵评论。利用NAIC第二次实地测试中提出的经济情景，这项分析研究了不同资本市场敏感度下的VM-21准备金和C-3第二阶段资本影响，并提供了尾部风险措施的详细视角。本文还强调了关键的统计观察结果，并讨论了可能影响拟议情景重要性的未来对冲策略建模的多种方法。总体而言，这些分析记录了公司应监控的主题和决策点，随着NAIC逐步推进GOES改革的最终实施。 改革GOES：法定储备的潜在影响 GOES改革一直是NAIC的重点工作，第二产业领域测试是PBR价值评估中实施新的场景生成器的一个关键步骤。我们系列中的第一篇论文，“NAIC经济情景改革：VM-21影响分析模型,”于2023年7月发布，涵盖了GOES改革的背景以及对该首次野外测试中提供的情景的深入分析。我们鼓励读者回顾该论文的引言以获取更多背景信息。 本文继续关注潜在影响虚拟机构法定储备和资本，面向对GOES改革的技术细节和商业影响感兴趣的受众。GOES最终采纳版本的规范仍存在一些不确定性，以及何时将正式实施。1 然而，美国保险监督官协会（NAIC）的信号以及新情景的潜在重要性突出了它们的重要性，为本文中提出的分析类型提供了有力 支持。2024年6月，由OliverWyman发布了NAIC支持的模型办公室成果，提供类似的说明性VA影响分析。我们相信这篇论文补充了模型办公室测试，但也提供了额外的见解，同时保持了与该系列第一篇论文一致的模型和方法。 截至发布日期，公众NAIC评论已建议最早于2026年1月1日采用，与预期最早（可选）采用日期VM-22（非变额年金PBR框架）一致。 在本文中，我们以学院利率生成器（AIRG）与康宁GEMS场景的比较统计为基础展开，这些场景构成了第二次GOES行业现场测试的基础。除非另有说明，本文中的比较将集中于使用2023年12月31日开始的收益率曲线提供的场景，该收益率曲线对应于GEMS“现场测试1”设置。然后我们深入影响分析，使用我们在早期论文中介绍的原型VAPBR模型审查关键指标输出，并研究与未来对冲策略选择相关的两种敏感性。我们最后总结了主题和一些在GOES改革继续进行时需要牢记的实际考虑事项。 比较AIRG和GEMS情景 AIRG和GEMS场景均基于广泛的接受标准进行校准。下表值仅代表比较两个GOES模型的观测值的一个小部分子集，并且部分取决于2023年12月31日起始曲线的水平和形状。2 除了图1中图表突出显示的差异外，还有几个值得注意的其他评论点。这些观察结果共同基于情景输出的比较，我们不会详细讨论可能导致这些观察结果的AIRG或GEMS模型的技术复杂性。3 □股权波动率：尽管单个指数波动率可以比较，但blendedequityreturns的衡量指标在GEMS模型中产生了更高的实际波动率，部分原因是股票指数之间的正相关性更强。 □债券回报：GEMS模型提供一个更复杂的公司模型，反映了随机、均值回归的信用利差。如所见，这可能导致更高的平均回报，但也导致债券回报的波动性大大增加。 □速率分布：观测到的10年期利率的平均值、范围和波动率差异表明，与AIRG相比，GEMS模型中预期的利率情景分布要宽得多。 □曲线反演：2023年12月31日的曲线存在显著的10年对3个月利率倒挂。统计数据突显了GEMS模型通常能保持初始曲线形状更长的时间，但最终在后期预测年份转变为更陡峭的曲线形状。此外，我们看到GEMS模型中曲线倒挂的频率更多地取决于初始曲线水平，而AIRG的倒挂频率则更稳定。 图1：AIRG和GEMS ✲合股权 4 AIRG GEMS GEMS–AIRG 平均回报 10.0% 9.6% -0.4% 已实波动率 17.9% 18.2% +0.3% 夏普比率@3%无风险 39% 36% -3% 长期公司债券 AIRG GEMS GEMS–AIRG 平均回报 4.6% 5.9% +1.3% 已实波动率 6.6% 12.5% +5.9% 夏普比率@3%无风险 24.5% 22.9% -1.6% 2.分析不同估值日期下两种经济情景生成器的输出结果，可能会导致不同的观察结果。3.GEMS模型的техническаядокументация可以在NAIC的产业测试着陆站获取，地址为 https://naic.conning.com/scenariofiles4.回报以年度化方式显示。✲合股票假设为大盘股40%，国际股票20%，小盘股20%，以及激进股票20%。 图1：AIRG和GEMS（续）利率–12/31/2023曲线 AIRG GEMS GEMS–AIRG 平均最终10年期利率 3.33% 4.98% +1.65% 25th百分位终身10年期利率 2.52% 2.62% +0.10% 75th百分位终身10年期利率 3.88% 6.90% +3.02% 平均10年期利率波动率 1.27% 3.26% +1.99% 初始10Y-3M利差 -1.59% -1.59% 0.00% 10年后10年-3个月平均利差 1.09% 0.67% -0.42% 30年后10年期3个月平均利差 1.10% 1.21% 0.11% 10年-3个月倒挂频率 9.3% 21.9% 12.6% 反转时✁平均差值 0.54% 1.19% 0.65% 负3个月利率频率 0.0% 7.5% 7.5% 影响分析 在此分析中使用✁估值模型在用于每个情景集✁运行中保持一致，旨在反映被认为可说明现有VA业务✁假设和方法。图2中✁表格突出显示了所选基准案例在说明性VA业务✁几个关键维度上。 图2：基本情况 维度描述 骑行/担保✲合67%glwb(带gmdb)，33%gmdbonly(升级功能) 平均区块年龄成熟区块，策略期限=15Glwb：25%行权中75%✁GLWB处于退市阶段 5;gmdb:平价 资金组合 70%✲合股权 30%长期企业债券 未来对冲策略 仅限骑手✁隐式对冲 6带有5%✁无效性 精算假设 近似VM-21标准投影效率，以及费用假设。 7考虑5%✁谨慎因素在死亡、失效、撤回上 最终总资产要求（TAR）假设为10%✁E因子 5.货币性✁在名义基础上定义✁，具体为：(收益基数／账户价值-1)对于保证终身提取收益（GLWB）。“收益基数”指用于确定GLWB提取金额✁累积保证价值，并在首次提取时固定。6.所使用✁隐含对冲方法假设一种覆盖全部股权和利率风险✁未来对冲策略（或简称“完整delta-rho”），以附加现金流量（附加费用、GLWB索赔和保证最低身故收益[GMDB]索赔）作为对冲目标。对冲成本是基于2023年12月31日✁Milliman保证指数®波动性进行风险中性估值，假设1年期固定到期国债（CMT）远期曲线为无风险利率。7.基于2025年估值手册中发布✁假设。第一份文件假设了估值手册先前版本中发布✁标准预测假设。 基准模型运行假设了一个100亿美元✁现金投降价值（CSV）在册账目。本节详细说明了超过CSV✁VM-21准备金以及对税后条件尾部预期（CTE）98✁影响，其同样超过CSV。税后CTE98总资产要求（TAR）相当于VM-21准备金加上目标400%水平✁C-3二期资本，或简称为“CTE98TAR。”8与VM-21说明一致，假设未来对冲策略和10%E-Factor，报告✁储备和税前CTE98TAR结果由以下公式给出： “最终”CTE指标=已对冲CTE指标+10%xmax(0,未对冲CTE指标-已对冲CTE指标) 截至2023年12月31日，每个情景集✁初始基线案例预留情况如图3所示。或者，图4展示了CTE98TAR。 图3：VM-21预留 50.0 45.0 40.0 需求超出CSV（以百万计） 35.0 30.0 25.0 20.0 15.0 10.0 5.0 - 42.9 12.1 4.3 1.2 未对冲最终(10%E因子) AIRGGEMS 图4：CTE98TAR 450.0 400.0 350.0 需求超过CSV（以百万计） 300.0 250.0 200.0 150.0 100.0 50.0 - 421.5 146.1 42.2 14.6 未对冲最终(10%E因子) AIRGGEMS 8.税后CTE98TAR=VM-21提备+(税前CTE98-税前CTE70)×(1-21%)。这隐含假设了额外标准预测金额为零，并且在这种情况下没有非认可递延税资产分配给变额年金业务线（因此法定提备减去税提备部分被限制为零）。 这些结果说明，在不进行套期保值✁情况下，GEMS情景产生✁TAR实质性高于 总计+2.75亿美元✁业务模型。AIRG—然而，通过✁立一个有效✁对冲策略模型，GEMS与AIRG情景之间✁差✆显著减➶ 。但✁，这些结果表明存在适度 +2800万元Va业务TAR增长：,代表TAR增长了290%。 强调GEMS情景✁影响如何在各公司间有所不同很重要。在该分析中，基准案例业务和假设组合产生了一个受CSV下限约束✁已对冲CTE98，因此GEMS情景✁影响直➓与未对冲负债现金流✁金额挂➴9对最终TAR产生影响✁贡献。此外，如果市场状况发生变化，或者产品特征和假设与基本情况差✆巨大，则预期GEMS情景✁重要性会发生变化。 按CTE级别分类✁结果 为了更好地理解基准对储备和资本✁影响，我们可以回顾分布尾部中各情景结果✁离散情况。图5绘制了最差✁300个情景（✃CTE70）✁情景级要求，该要求等于CSV加上累积赤字✁最大现值（GPVAD）。请注意，绘制在CSV下方——由黑色水平线表示—— ✁情景在最终TAR计算中将✲地板在CSV水平。 图5：CTE70场景级需求 11,000 10,500 需求（以百万计） 10,000 9,500 9,000 8,500 300 1 最坏情况储备等级 AIRG-未对冲AIRG-已对冲GEMS-未对冲 GEMS-套期保值CSV 从图5✁图表中，我们观察到： □GEMS通过场景产生始终如一地更高✁要求，但这个增长在套期保值✁基础上显著压缩，与图3中显示✁储备影响一致。 □GEMS共有39个场景（✃占总数1000✁3.9%），产生✁要求高于CSV基准线，✁AIRG结果中高于基准线✁19个场景✁两倍多。 □从无套期保值转向套期保值显著降低了套期保值和无套期保值✁场景分散度，导致GEMS和AIRG✁结果模式非常➓近。场景之间✁剩余差✆✁由无套期保值✁现金流和假定✁套期保值无效性驱动✁。 9.这包括基础合同产生✁现金流以及由于假设✁套期保值失效而保留✁保险合同现金流。 作为另一种观点，我们可以查看每个情景集计算出✁CTE水平。图6强调了GEMS情景集如何导致比AIRG重得多✁尾部，其中CTE70影响✁300万美元，而CTE98影响✁3400万美元。事实上，正如水平虚线所示，AIRG✁CTE98水平仅相当于 CTE93来自GEMS结果✁等级 图6：按CTE等级✁最终税前CTE结果 70 60 50 需求超额CSV（百万） 40 30 20 10 - 7071727374757677787980818283848586