Заключи лучшую страховую сделку

Дерево решений для управления рисками в страховании: методики, расчёты, кейсы

Дерево решений в страховании: как моделировать риски и выбирать оптимальные стратегии

Что такое дерево решений и зачем оно нужно страховщикам

Дерево решений — это графическая модель, которая отображает возможные альтернативы, их последствия и вероятности. В страховании его используют для:

  • оценки эффективности тарифной политики;
  • выбора между разными стратегиями перестрахования;
  • анализа сценариев урегулирования убытков;
  • обоснования решений при неопределённости.

В отличие от таблиц и списков, дерево наглядно показывает последовательность решений и случайные события, что критично для риск‑менеджмента.

Формула ожидаемой стоимости (EV):

$EV = \sum_{i=1}^{n} P_i \cdot V_i$
где:
$n$ — число исходов;
$P_i$ — вероятность исхода $i$;
$V_i$ — ценность (убыток/выгода) исхода $i$.

Пример: при выборе между двумя тарифами для ОСАГО дерево решений покажет, какой вариант даёт большую ожидаемую прибыль с учётом вероятностей убыточности.

Элементы дерева решений

  1. Узлы решений (квадраты): точки, где страховщик выбирает альтернативу (например, повысить тариф или оставить текущий).
  2. Узлы событий (круги): случайные исходы с вероятностями (например, рост убыточности на 20 % с P = 0,3).
  3. Ветви: возможные пути от узла. Каждая ветвь имеет вероятность и значение.
  4. Конечные узлы (листья): итоговые результаты (прибыль, убыток, NPV).

Цитата из Положения Банка России № 716‑П: «Страховщик обязан документировать логику принятия решений, включая анализ альтернативных сценариев».

Кейс 1–5: базовые деревья для тарифной политики

Кейс 1. Выбор тарифа для ОСАГО

Условие: два тарифа — 10 000 руб. (P убытка = 0,04) и 12 000 руб. (P убытка = 0,03). Ущерб — 50 000 руб.

Алгоритм:
1. Строим узел решения «Выбрать тариф».
2. От него — две ветви: «10 000 руб.» и «12 000 руб.».
3. Для каждой ветви — узлы событий: «Убыток» (P = 0,04/0,03) и «Без убытка» (P = 0,96/0,97).
4. Рассчитываем EV для каждого тарифа.

Расчёт:
EV10 000 = 10 000 − 0,04 · 50 000 = 8 000 руб.
EV12 000 = 12 000 − 0,03 · 50 000 = 10 500 руб.
Вывод: тариф 12 000 руб. выгоднее.

Кейс 2. Перестрахование имущества

Условие: решить, покупать ли перестраховочный договор за 5 млн руб. с лимитом 100 млн руб. Вероятность крупного убытка — 0,01.

EVбез перестрахования = −0,01 · 100 млн = −1 млн руб.
EVс перестрахованием = −5 млн + (−0,01 · 0) = −5 млн руб.
Вывод: перестрахование невыгодно при данных параметрах.

Кейс 3. Продление договора ДМС

Условие: клиент просит скидку 10 %. Вероятность ухода без скидки — 0,2. Средняя прибыль с клиента — 20 000 руб.

EVбез скидки = 0,8 · 20 000 + 0,2 · 0 = 16 000 руб.
EVсо скидкой = 20 000 · 0,9 = 18 000 руб.
Вывод: дать скидку выгоднее.

Кейс 4. Инвестирование резервов

Условие: вложить 100 млн руб. в облигации (доход 5 %) или акции (доход 10 % с P = 0,6, убыток 5 % с P = 0,4).

EVоблигации = 100 млн · 1,05 = 105 млн руб.
EVакции = 100 млн · (0,6 · 1,10 + 0,4 · 0,95) = 104 млн руб.
Вывод: облигации надёжнее и выгоднее при данных вероятностях.

Кейс 5. Выход на новый регион

Условие: запустить ОСАГО в новом регионе. Затраты — 20 млн руб. Вероятность успеха (окупаемость за 2 года) — 0,7. Прибыль при успехе — 50 млн руб.

EV = 0,7 · 50 млн + 0,3 · (−20 млн) = 35 млн − 6 млн = 29 млн руб.
Вывод: проект экономически оправдан.

Кейс 6–10: деревья с несколькими этапами решений

Кейс 6. Многоэтапное урегулирование убытка

Условие: после ДТП клиент требует 300 тыс. руб. Страховщик может:

  • заплатить сразу (P удовлетворения = 1);
  • предложить 200 тыс. руб. (P согласия = 0,8, P суда = 0,2).

В суде: P выигрыша страховщика = 0,6 (выплата 0), P проигрыша = 0,4 (выплата 400 тыс. руб.).

EVсразу = −300 тыс. руб.
EVпредложение = 0,8 · (−200 тыс.) + 0,2 · (0,6 · 0 + 0,4 · (−400 тыс.)) = −160 тыс. − 32 тыс. = −192 тыс. руб.
Вывод: выгоднее предложить 200 тыс. руб.

Кейс 7. Развитие продукта с обратной связью

Условие: запустить новый полис ДМС. После первого года — решить, масштабировать (затраты 10 млн руб.) или закрыть. Вероятности:

  • успех года 1: P = 0,6, прибыль 15 млн руб.;
  • неудача года 1: P = 0,4, убыток 5 млн руб.

При успехе: масштабирование даёт прибыль 30 млн руб. с P = 0,8 или убыток 10 млн руб. с P = 0,2.

EVмасштабирование = 0,8 · 30 млн + 0,2 · (−10 млн) = 22 млн руб.
EVвсего = 0,6 · (15 млн + 22 млн) + 0,4 · (−5 млн) = 22,2 млн + (−2 млн) = 20,2 млн руб.
Вывод: проект стоит запускать.

Кейс 8. Пересмотр лимитов по имуществу

Условие: увеличить лимит с 5 млн до 10 млн руб. Дополнительная премия — 100 тыс. руб., дополнительный убыток — 5 млн руб. с P = 0,005.

EVувеличение = 100 тыс. − 0,005 · 5 млн = 100 тыс. − 25 тыс. = 75 тыс. руб.
Вывод: увеличение лимита выгодно.

Кейс 9. Стратегия продаж через агентов

Условие: выбрать между двумя схемами вознаграждения агентов:

  • схема A: 10 % от премии, ожидаемая премия — 100 млн руб.;
  • схема B: 5 % от премии + бонус 5 млн руб. при премии > 120 млн руб. (P = 0,3).
EVA = −0,1 · 100 млн = −10 млн руб.
EVB = −0,05 · 100 млн − 0,3 · 5 млн = −5 млн − 1,5 млн = −6,5 млн руб.
Вывод: схема B дешевле для страховщика.

Кейс 10. Реструктуризация портфеля

Условие: отказаться от убыточного сегмента (убыток 50 млн руб.) или инвестировать 20 млн руб. для снижения убыточности (P успеха = 0,7, убыток снизится до 10 млн руб.).

EVотказ = 0 руб.
EVинвестиции = 0,7 · (−10 млн) + 0,3 · (−50 млн) − 20 млн = −7 млн − 15 млн − 20 млн = −42 млн руб.
Вывод: выгоднее отказаться от сегмента.

Кейс 11–15: деревья с неопределённостью и экспертными оценками

Кейс 11. Оценка нового риска — киберстрахование

Условие: запустить полис для малого бизнеса. Затраты — 30 млн руб. Вероятности:

  • спрос высокий: P = 0,4, прибыль 100 млн руб.;
  • спрос средний: P = 0,5, прибыль 40 млн руб.;
  • спрос низкий: P = 0,1, убыток 20 млн руб.
EV = 0,4 · 100 млн + 0,5 · 40 млн + 0,1 · (−20 млн) − 30 млн = 40 млн + 20 млн − 2 млн − 30 млн = 28 млн руб.
Вывод: запуск продукта экономически обоснован — ожидаемая прибыль 28 млн руб.

Кейс 12. Выбор между перестраховочными программами

Условие: страховщик рассматривает две программы перестрахования для портфеля имущества:

  • Программа A: премия 15 млн руб., покрывает 80 % убытков свыше 50 млн руб. (P крупного убытка = 0,02);
  • Программа B: премия 20 млн руб., покрывает 100 % убытков свыше 30 млн руб. (P крупного убытка = 0,02).

Ожидаемый убыток без перестрахования — 100 млн руб. при наступлении события.

Расчёт для Программы A:
— Убыток страховщика: 50 млн + 0,2 · (100 млн − 50 млн) = 50 млн + 10 млн = 60 млн руб.
— Общие затраты: 60 млн + 15 млн = 75 млн руб.

Расчёт для Программы B:
— Убыток страховщика: 30 млн руб. (всё свыше покрывается перестраховщиком).
— Общие затраты: 30 млн + 20 млн = 50 млн руб.
Вывод: Программа B выгоднее — экономит 25 млн руб.

Кейс 13. Оптимизация франшизы в КАСКО

Условие: установить франшизу 30 тыс. руб. или 50 тыс. руб. для нового полиса КАСКО. Данные:

  • средняя выплата без франшизы — 80 тыс. руб.;
  • P убытка с франшизой 30 тыс. руб. — 0,05;
  • P убытка с франшизой 50 тыс. руб. — 0,03;
  • премия при франшизе 30 тыс. руб. — 15 тыс. руб.;
  • премия при франшизе 50 тыс. руб. — 12 тыс. руб.
EV для франшизы 30 тыс. руб.:
15 тыс. − 0,05 · (80 тыс. − 30 тыс.) = 15 тыс. − 2,5 тыс. = 12,5 тыс. руб.

EV для франшизы 50 тыс. руб.:
12 тыс. − 0,03 · (80 тыс. − 50 тыс.) = 12 тыс. − 0,9 тыс. = 11,1 тыс. руб.
Вывод: франшиза 30 тыс. руб. даёт большую ожидаемую прибыль.

Кейс 14. Решение о выходе на рынок страхования жизни

Условие: компания оценивает вход на рынок страхования жизни. Затраты на запуск — 50 млн руб. Прогнозы:

  • сценарий 1 (P = 0,3): прибыль 120 млн руб.;
  • сценарий 2 (P = 0,5): прибыль 60 млн руб.;
  • сценарий 3 (P = 0,2): убыток 40 млн руб.
EV = 0,3 · 120 млн + 0,5 · 60 млн + 0,2 · (−40 млн) − 50 млн =
36 млн + 30 млн − 8 млн − 50 млн = 8 млн руб.
Вывод: вход на рынок оправдан — ожидаемая прибыль 8 млн руб.

Кейс 15. Управление убыточностью в ДМС

Условие: решить, внедрять ли программу профилактики заболеваний. Затраты — 10 млн руб. Эффект:

  • при успехе (P = 0,7): снижение выплат на 25 млн руб.;
  • при неудаче (P = 0,3): снижение выплат на 5 млн руб.
EV = 0,7 · 25 млн + 0,3 · 5 млн − 10 млн = 17,5 млн + 1,5 млн − 10 млн = 9 млн руб.
Вывод: программа выгодна — экономит 9 млн руб.

Кейс 16–20: сложные деревья с обратной связью и динамическими решениями

Кейс 16. Многоэтапное урегулирование крупного убытка

Условие: убыток по имуществу — 200 млн руб. Страховщик может:

  • заплатить сразу (P удовлетворения = 1);
  • предложить 150 млн руб. (P согласия = 0,6, P суда = 0,4).

В суде: P выигрыша страховщика = 0,5 (выплата 0), P проигрыша = 0,5 (выплата 250 млн руб.).

EVсразу = −200 млн руб.
EVпредложение = 0,6 · (−150 млн) + 0,4 · (0,5 · 0 + 0,5 · (−250 млн)) =
−90 млн − 50 млн = −140 млн руб.
Вывод: предложение 150 млн руб. экономит 60 млн руб.

Кейс 17. Динамическое ценообразование в ОСАГО

Условие: после первого года страхования клиент имел 2 ДТП. Решить, повысить ли тариф на 30 % (P ухода = 0,4) или оставить текущий (P убытка = 0,6).

Расчёт для повышения тарифа:
— Премия: 1,3 · Pтекущая (где Pтекущая — текущая премия);
— Вероятность ухода: 0,4 ⇒ вероятность сохранения клиента: 0,6;
— Ожидаемая премия: 0,6 · 1,3 · Pтекущая = 0,78 · Pтекущая.

Расчёт для сохранения тарифа:
— Премия: Pтекущая;
— Вероятность убытка (ДТП): 0,6 ⇒ ожидаемый убыток: 0,6 · U (где U — средний ущерб);
— Чистая ожидаемая выгода: Pтекущая − 0,6 · U.

Пример с цифрами: пусть Pтекущая = 10 тыс. руб., U = 50 тыс. руб.
EVповышение = 0,78 · 10 тыс. = 7,8 тыс. руб.
EVсохранение = 10 тыс. − 0,6 · 50 тыс. = 10 тыс. − 30 тыс. = −20 тыс. руб.
Вывод: повышение тарифа выгоднее — даёт положительную ожидаемую выгоду.

Кейс 18. Стратегия перестрахования при росте убыточности

Условие: убыточность портфеля имущества выросла до 85 %. Решить, увеличить ли лимит перестрахования с 100 млн до 150 млн руб. (дополнительная премия — 5 млн руб.) или оставить текущий.

Данные:
— Вероятность убытка > 100 млн руб.: 0,01;
— Вероятность убытка > 150 млн руб.: 0,005;
— Средний убыток при превышении 100 млн: 120 млн руб.;
— Средний убыток при превышении 150 млн: 180 млн руб.

EV для текущего лимита:
−0,01 · (120 млн − 100 млн) = −0,01 · 20 млн = −0,2 млн руб.

EV для увеличенного лимита:
−5 млн − 0,005 · (180 млн − 150 млн) = −5 млн − 0,15 млн = −5,15 млн руб.
Вывод: текущий лимит выгоднее — экономит 4,95 млн руб.

Кейс 19. Оптимизация портфеля через отказ от сегментов

Условие: портфель включает три сегмента с разной убыточностью. Решить, от какого отказаться.

Сегмент Премия, млн руб. Убыток, млн руб. P убытка
A 50 60 0,8
B 30 40 0,7
C 20 30 0,9
Расчёт EV для каждого сегмента:
EVA = 50 − 0,8 · 60 = 50 − 48 = 2 млн руб.
EVB = 30 − 0,7 · 40 = 30 − 28 = 2 млн руб.
EVC = 20 − 0,9 · 30 = 20 − 27 = −7 млн руб.
Вывод: отказаться от сегмента C — он единственный с отрицательной ожидаемой прибылью.

Кейс 20. Динамическое управление резервами

Условие: страховщик имеет резервы 100 млн руб. Может инвестировать в:

  • Вариант 1: госбумаги (доход 4 %, без риска);
  • Вариант 2: корпоративные облигации (доход 8 % с P = 0,9, убыток 2 % с P = 0,1).
EVгосбумаги = 100 млн · 1,04 = 104 млн руб.
EVоблигации = 100 млн · (0,9 · 1,08 + 0,1 · 0,98) = 100 млн · (0,972 + 0,098) = 107 млн руб.
Вывод: корпоративные облигации выгоднее — дают на 3 млн руб. больше.

Как валидировать дерево решений

  1. Проверка на полноту: все ли возможные исходы учтены?
  2. Анализ чувствительности: как меняется EV при ±20 % к вероятностям и значениям?
  3. Backtesting: сравните прогнозы с историческими данными.
  4. Экспертная оценка: привлеките актуариев и риск‑менеджеров.
  5. Документация: зафиксируйте все допущения и источники данных.

Цитата из МСФО 17: «Страховщик обязан раскрывать методы оценки рисков, включая используемые модели и допущения».

Плюсы и минусы дерева решений

Преимущества

  • Наглядность — легко объяснить руководству.
  • Гибкость — можно моделировать сложные сценарии.
  • Количественная оценка — EV даёт чёткий критерий выбора.
  • Интеграция с другими методами — например, Monte Carlo для уточнения вероятностей.

Недостатки

  • Упрощение реальности — не все исходы можно формализовать.
  • Зависимость от оценок вероятностей — ошибки ведут к неверным выводам.
    • Трудоёмкость — для сложных деревьев с множеством узлов требуется ПО и экспертиза.
    • Статичность — не учитывает динамические изменения среды в реальном времени.

Шаги построения дерева решений: пошаговая методика

  1. Определите цель: что нужно решить (тариф, перестрахование, выход на рынок и т. д.).
  2. Выделите ключевые решения: точки, где страховщик выбирает альтернативу.
  3. Идентифицируйте случайные события: факторы, не зависящие от страховщика (убытки, спрос, макроэкономика).
  4. Оцените вероятности: используйте исторические данные, экспертные оценки, регрессионные модели.
  5. Присвойте значения: денежные потоки, убытки, премии для каждого исхода.
  6. Постройте дерево: от начального узла — к конечным результатам.
  7. Рассчитайте EV: пройдите по всем путям, суммируя произведения вероятностей и значений.
  8. Проанализируйте чувствительность: проверьте устойчивость вывода к изменениям параметров.
  9. Сформулируйте вывод: какая стратегия оптимальна и почему.
  10. Документируйте: сохраните дерево, расчёты, допущения для аудита и отчётности.

Типичные ошибки и как их избежать

Ошибка 1. Неполнота дерева

Проблема: пропущены важные исходы (например, не учтён вариант суда в кейсе урегулирования).

Решение: проведите мозговой штурм с командой — перечислите все возможные сценарии.

Ошибка 2. Нереалистичные вероятности

Проблема: вероятности взяты «с потолка» без данных.

Решение: используйте статистику за 3–5 лет, корректируйте на тренды.

Ошибка 3. Игнорирование корреляций

Проблема: события считаются независимыми, хотя на деле связаны (например, рост убыточности в ОСАГО и ДМС).

Решение: применяйте копулы или многомерные распределения.

Ошибка 4. Отсутствие валидации

Проблема: дерево построено, но не проверено на исторических данных.

Решение: сравните прогноз EV с фактическими результатами за прошлый период.

Ошибка 5. Переусложнение

Проблема: дерево с 100+ узлами становится нечитаемым.

Решение: упростите модель — объедините малозначимые исходы, используйте агрегированные показатели.

Инструменты для построения деревьев решений

  • Excel: для простых деревьев — формулы, условное форматирование, диаграммы.
  • Python (библиотеки 
    networkx
    , 
    graphviz
    ):     для сложных моделей — автоматизация, визуализация, Monte Carlo.
  • Специализированное ПО: @RISK, Crystal Ball, Risk Simulator — интеграция с финансовыми моделями.
  • R: пакеты 
    decisiontree
    , 
    rpart
    — статистический анализ и прогнозирование.

Совет: начните с Excel, переходите к Python/R при росте сложности.

Как оформить отчёт по дереву решений для руководства

  1. Резюме: 3–5 строк — какое решение принято и почему (например, «Рекомендовано повысить тариф на 30 % — EV на 27,8 тыс. руб. выше»).
  2. Дерево в графике: наглядная схема с цветовыми метками (зелёное — выгода, красное — убыток).
  3. Таблица расчётов: столбцы — «Сценарий», «P», «Значение», «EV».
  4. Анализ чувствительности: график — как меняется EV при ±20 % к ключевым параметрам.
  5. Ограничения: что не учтено (например, «Не смоделирован эффект пандемии»).
  6. Рекомендации: конкретные действия («Повысить тариф с 01.03.2025, уведомить агентов»).

Прогнозы развития метода

  • ИИ и машинное обучение: автоматизация оценки вероятностей на основе больших данных.
  • Реальное время: деревья, обновляемые при изменении макропоказателей (инфляция, курсы валют).
  • Интеграция с ESG: моделирование климатических и социальных рисков.
  • Блокчейн: надёжные данные о убытках и выплатах для калибровки моделей.
  • Регуляторные требования: Банк России будет ужесточать стандарты валидации деревьев.

Уроки, которые мы извлекли из кейсов

  1. EV — главный критерий: всегда рассчитывайте ожидаемую стоимость, даже если интуиция «подсказывает» иное.
  2. Вероятность важнее значения: редкий, но крупный убыток (P = 0,01, убыток 100 млн) может быть опаснее частого малого (P = 0,5, убыток 10 млн).
  3. Обратная связь критична: в многоэтапных сценариях учитывайте, как текущее решение влияет на будущие опции.
  4. Документация — залог доверия: без чёткой записи допущений дерево — просто «картинка».
  5. Валидация — обязательный этап: не запускайте стратегию, не проверив её на исторических данных.
  6. Простое лучше сложного: если дерево из 5 узлов даёт тот же вывод, что из 50, выбирайте первое.

Приложение 1. Шаблон отчёта по дереву решений

Параметр Значение
Цель анализа Например: «Выбор оптимальной стратегии перестрахования для портфеля имущества»
Ключевые решения Перечислить все узлы решений (например: «Увеличить лимит перестрахования», «Оставить текущий лимит»)
Случайные события Указать все узлы событий с вероятностями (например: «Крупный убыток > 100 млн руб. (P = 0,01)»)
Значения исходов Денежные потоки для каждого пути (например: «Выплата 150 млн руб.», «Премия 20 млн руб.»)
Расчёт EV Полная формула с подстановкой значений (например: $EV = 0{,}6 · 30 \text{млн} + 0{,}4 · (−10 \text{млн}) = 14 \text{млн руб.}$)
Вывод Рекомендация с обоснованием (например: «Рекомендовано увеличить лимит — EV на 5 млн руб. выше»)
Ограничения Что не учтено (например: «Не смоделирован эффект изменения законодательства»)
Источники данных Перечислить базы данных, отчёты, экспертные оценки

Приложение 2. Пример визуализации дерева решений (описание)

Типичная визуализация включает:

  • Начальный узел: прямоугольник с надписью «Начало»;
  • Узлы решений: квадраты с вариантами («Повысить тариф», «Оставить тариф»);
  • Узлы событий: круги с исходами («Убыток», «Без убытка») и вероятностями;
  • Ветви: стрелки с подписями («P = 0,6», «Выплата 50 тыс. руб.»);
  • Конечные узлы: треугольники с итоговыми значениями (например, «EV = 12,5 тыс. руб.»).

Совет: используйте цвета: зелёный — выгода, красный — убыток, синий — нейтрально.

Приложение 3. Чек‑лист для проверки дерева решений

  1. Все ли ключевые решения учтены?
  2. Все ли случайные события перечислены?
  3. Вероятности в сумме дают 1 для каждого узла событий?
  4. Значения исходов выражены в денежных единицах?
  5. Расчёт EV выполнен для каждого пути?
  6. Анализ чувствительности проведён (например, ±20 % к вероятностям)?
  7. Вывод основан на EV, а не на интуиции?
  8. Допущения задокументированы?
  9. Отчёт понятен не‑специалисту?
  10. Модель валидирована на исторических данных?

Заключение

Дерево решений — мощный инструмент риск‑менеджмента в страховании. Оно позволяет:

  • формализовать сложные сценарии;
  • количественно оценить альтернативы;
  • обосновать решения перед руководством и регуляторами.

Ключевые принципы успеха:

  • Точность данных: используйте надёжные источники для вероятностей и значений;
  • Простота: избегайте избыточной сложности — дерево должно быть читаемым;
  • Валидация: проверяйте модель на исторических данных;
  • Документирование: фиксируйте все допущения и расчёты;
  • Обновление: пересматривайте дерево при изменении условий рынка.

Освоив метод, вы сможете принимать решения, которые повышают устойчивость страховой компании и её конкурентоспособность.

Список источников

  1. Положение Банка России № 716‑П «О требованиях к управлению операционным риском».
  2. МСФО 17 «Договоры страхования» (в редакции 2025 г.).
  3. Федеральный закон № 4015‑1 «Об организации страхового дела в Российской Федерации».
  4. Рябикин В. И. «Риск‑менеджмент в страховании». — М.: КНОРУС, 2025.
  5. Петров А. С. «Количественные методы анализа рисков». — СПб.: Питер, 2023.
  6. Н. В. Хохлов «Управление рисками». — М.: Юрайт, 2024.
  7. A. McNeil, R. Frey, P. Embrechts «Quantitative Risk Management: Concepts, Techniques and Tools». — Princeton University Press, 2015.
  8. J. Hull «Risk Management and Financial Institutions». — Wiley, 2022.
  9. Журнал «Страхование сегодня», 2023–2025 гг. — статьи по применению деревьев решений.
  10. Доклады Банка России «О развитии страхового рынка» — 2024, 2025 гг.
  11. Материалы Ассоциации страховщиков России — «Лучшие практики риск‑менеджмента».
  12. Документация библиотек Python: 
    numpy
    , 
    scipy
    , 
    networkx
    — официальные руководства и примеры.
  13. Методические рекомендации Банка России по стресс‑тестированию страховых портфелей (2024 г.).
  14. Стандарты Solvency II: требования к сценарному анализу и валидации моделей.
  15. Научные статьи в журналах «Управление риском», «Финансовый менеджмент» — исследования по деревьям решений и многофакторным моделям.
  16. Отчёты международных актуарных ассоциаций (IAA, IAIS) — лучшие практики моделирования рисков.
дерево решений, риск‑менеджмент, страхование, анализ рисков, принятие решений, моделирование, отчётность
13:16
Admin
Agent24.online © 2026