Compliance Engineering: Solvency II und IFRS 17 für Platform Builder
Nur wenige Technologiebereiche sind so komplex und risikoreich wie Compliance Versicherungsvorschriften. Solvency II und IFRS 17 sind die beiden maßgeblichen Regulierungsrahmen bzw. Zahlungsfähigkeit (wie viel Kapital muss gehalten werden) und Finanzberichterstattung (wie Bilanzierung von Versicherungsverträgen) für europäische Unternehmen. Die Implementierung falsch verstehen Die Umsetzung dieser Rahmenbedingungen bedeutet Sanktionen, Betriebseinschränkungen und Reputationsverlust.
Die Herausforderung für Entwickler besteht darin, dass diese Frameworks nicht mit Technologie entwickelt wurden Bedenken Sie: Es handelt sich um versicherungsmathematische und buchhalterische Vorschriften, die in Softwaresysteme übersetzt werden müssen. Die meisten Unternehmen haben mit Excel-Tabellen- und Batch-basierten Implementierungen zu kämpfen Nächte, die Stunden dauern. Die gute Nachricht ist, dass moderne Architektur – Data Warehouse Columnar, ELT-Pipeline, Distributed Computing – ermöglicht Ihnen endlich den Aufbau von Systemen der Compliance skalierbar e überprüfbar.
Laut PwC bietet die Einhaltung von Solvency II und IFRS 17 eine einzigartige Chance: beides Vorschriften teilen viele Eingabedaten. Integrieren Sie Reporting-Pipelines statt Wenn Sie sie getrennt halten, kann dies zu einer Verringerung führen 40-60 % die jährlichen Betriebskosten der Compliance.
Was Sie lernen werden
- Panoramica tecnica di Solvency II: Pillar 1 (SCR), Pillar 2 (ORSA), Pillar 3 (reporting)
- Datenmodell nach IFRS 17: Vertragsgruppen, Bewertungsmodelle (GMM, PAA, VFA)
- Data-Warehouse-Architektur für Versicherungs-Compliance
- SCR-Berechnungspipeline mit Python und dbt
- Erstellung von Solvency II-Berichten (QRT) im XBRL-Format
- Datenmodell nach IFRS 17 und Berechnung von Haftungskennzahlen
- Integrazione Solvency II + IFRS 17: dati condivisi e riduzione della duplicazione
Solvency II: Technischer Überblick für Entwickler
Solvency II und der europäische Versicherungssolvabilitätsrahmen (Richtlinie 2009/138/EG), auf drei Säulen aufgebaut:
- Pillar 1 - Requisiti Quantitativi: calcolo del Solvency Capital Requirement (SCR), del Minimum Capital Requirement (MCR) e delle riserve tecniche (Best Estimate + Risk Margin)
- Säule 2 – Governance und Risikomanagement: ORSA (Own Risk and Solvency Assessment), internes Kontrollsystem, Schlüsselfunktionen
- Säule 3 – Berichterstattung und Transparenz: QRT (Quantitative Reporting Templates) für EIOPA, öffentlicher SFCR (Solvency and Financial Condition Report), RSR für die Aufsichtsbehörde
Für einen Plattformentwickler sind die Hauptarbeitspunkte: die Berechnungspipeline technische Rücklagen und SCR (Säule 1), die Dateninfrastruktur für das QRT-Reporting (Säule 3) und Audit-Trail-Systeme für Säule 2.
Datenkomponenten von Solvency II
| Componente | Beschreibung | Frequenza Calcolo | Output Tecnico |
|---|---|---|---|
| Best Estimate Liability (BEL) | Erwarteter Barwert zukünftiger Cashflows | Trimestrale / annuale | Tabellen mit Cashflow nach Jahr/Zeile |
| Risk Margin (RM) | Kapitalkosten für nicht absicherbare Risiken | Trimestrale / annuale | Skalarwert nach Geschäftsbereich |
| SCR (Standard Formula) | Erforderliches Kapital für Schocks auf 16 Risikomodulen | Annuale (YE), semestrale | Korrelation + Aggregationsmatrix |
| QRT (Quantitative Reporting Templates) | EIOPA-Vorlage für die aufsichtsrechtliche Berichterstattung | Trimestrale + annuale | XBRL, Excel template EIOPA |
| ORSA Report | Eigene Risiko- und Bonitätsbeurteilung | Annuale | PDF-Dokument + unterstützende Daten |
Data Warehouse-Architektur für Compliance
Die Einhaltung von Versicherungsvorschriften erfordert ein Data Warehouse mit bestimmten Merkmalen: Historisierung Vollständigkeit (Audit Trail), Nachvollziehbarkeit jeder Transformation, Abgleich zwischen verschiedenen Systemen, und die Möglichkeit, vergangene Zeiträume erneut zu verarbeiten, wenn Daten korrigiert werden (späte Änderungen).
-- ============================================================
-- 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)
);Best-Estimate-Berechnungspipeline mit Python
Die Berechnung der Best Estimate Liability (BEL) ist das versicherungsmathematische Herzstück von Solvency II. In Bezug auf Technisch gesehen erfordert es die Prognose erwarteter zukünftiger Cashflows (Schäden, Ausgaben, Prämien) und deren Diskontierung mit der entsprechenden risikofreien EIOPA-Zinsstrukturkurve. Der folgende Code implementiert eine Version vereinfachte BEL-Berechnung für die Nichtlebenssparte.
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: Data Model e Implementazione
IFRS 17 (in Kraft ab 1. Januar 2023 für EU-Unternehmen) revolutioniert die Rechnungslegung von Versicherungsverträge. Der wichtigste Grundsatz ist, dass Versicherungsverträge nicht mehr bestehen bei der Prämieneinziehung verbucht, die Rentabilität wird jedoch erfasst zukünftigen Erwartungen (Contractual Service Margin – CSM) entspricht und dass Ansprüche zu Anschaffungskosten bewertet werden aktuell (aktueller Wert, nicht historische Kosten).
Die drei Hauptbewertungsmodelle von IFRS 17 sind:
- General Measurement Model (GMM): modello principale; calcola BEL (attualizzato) + Risk Adjustment + CSM
- Premium Allocation Approach (PAA): semplificazione per contratti breve termine (massimo 1 anno), simile al precedente IFRS 4
- Variabler Gebührenansatz (VFA): für Lebensversicherungsverträge mit Gewinnbeteiligung
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-Generierung für Solvency II
Die Quantitative Reporting Templates (QRT) sind die standardisierten EIOPA-Vorlagen Unternehmen müssen regelmäßig eine Übermittlung an die Aufsichtsbehörde (in Italien: IVASS) vornehmen vierteljährlich und jährlich. Seit 2016 ist das obligatorische Übertragungsformat XBRL (eXtensible). Sprache der Unternehmensberichterstattung). Die automatische Generierung von QRTs aus einem Data Warehouse z Einer der wirkungsvollsten Anwendungsfälle für 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)Integrazione Solvency II + IFRS 17: Dati Condivisi
Die große Chance, die Compliance-Kosten zu senken, liegt in der Nutzung von Solvency II und IFRS 17 viele Daten gemeinsam: Beide erfordern die beste Schätzung der Verbindlichkeiten (auch wenn berechnet). mit unterschiedlichen Methoden), erfordern beide eine Zinsstrukturkurve zur Diskontierung (auch wenn unterschiedlich: EIOPA risikofrei für Solvency II, aktueller Abzinsungssatz für IFRS 17), beide Sie segmentieren nach Geschäftsbereichen.
Dati Condivisi Solvency II / IFRS 17
| Dato | Solvency II | IFRS 17 | Differenza Chiave |
|---|---|---|---|
| Best Estimate Liability | BEL (risk-free discounted) | FCF - BEL component | Yield curve diversa, definizione cashflow diversa |
| Yield Curve | EIOPA risk-free + VA/MA | Current + locked-in rate | Due curve separate in IFRS 17 |
| Segmentazione LoBs | 17 linee EIOPA | Mehr aggregierte Zeilen | Mappatura necessaria |
| Entwicklungsdreiecke | Für Kettenleiter | Für FCF | Stesso dato sorgente |
| Dati polizze/contratti | Zur Reserveberechnung | Nach Vertragsgruppen | Stesso dato sorgente, diversa aggregazione |
Best Practices e Anti-pattern
Best Practices für Compliance Engineering
- Single Source of Truth für Eingabedaten: Ansprüche, Policen und Prämien müssen aus einem einzigen zertifizierten Data Warehouse stammen; Die Berechnungen nach Solvency II und IFRS 17 müssen von denselben Rohdaten ausgehen
- Unveränderlicher Prüfpfad für jeden Lauf: Jeder Berechnungslauf muss ein vollständiges Protokoll mit Codeversion, Eingabedaten, Parametern und Ausgabe erstellen – erforderlich für versicherungsmathematische und behördliche Überprüfungen
- Datentrennung vs. Berechnung: das Data Warehouse darf nur historische und kuratierte Daten enthalten; Die Berechnungslogik muss sich in der Anwendungsschicht (Python/R) befinden, nicht in gespeicherten SQL-Prozeduren
- Obligatorische versicherungsmathematische Prüfung: Jede Änderung der Berechnungsmodelle muss von einer Validierung durch das versicherungsmathematische Team mit Vergleich mit der Vorperiode und Analyse der Abweichungen begleitet werden
- Automatisierung des Schließzyklus: Der Prozess der Berechnung, Validierung und Übermittlung von QRTs muss mit Zeitauslösern und Warnungen für SLAs vollständig automatisiert sein
Zu vermeidende Anti-Muster
- Excel als Produktionskalkulationssystem: Excel-Tabellen sind nicht überprüfbar, nicht skalierbar und unterstützen keine Versionskontrolle; Jede Regulierungsberechnung muss in versioniertem Code vorliegen
- Separate Daten für Solvency II und IFRS 17: Die Aufrechterhaltung zweier separater Pipelines bringt doppelte Kosten und Risiken mit sich; Dies führt zu Duplikaten und führt zu kostspieligen Abstimmungen zwischen den beiden Rahmenwerken
- Festcodierung der Zinsstrukturkurve: die risikofreie EIOPA-Kurve ändert sich jeden Monat; Es muss automatisch von der EIOPA-Website hochgeladen und nicht manuell eingegeben werden
- Manuelle QRT-Generierung: manuelle Zusammenstellung von EIOPA und fehleranfälligen und nicht skalierbaren Excel-Vorlagen; automatisiert die XBRL-Generierung aus dem Data Warehouse
Schlussfolgerungen: Ende der InsurTech Engineering-Reihe
Compliance Engineering für Solvency II und IFRS 17 ist einer der komplexesten Bereiche und Versicherungs-IT-Strategien. Die Herausforderung ist nicht nur technischer Natur (versicherungsmathematische Berechnungen, XBRL-Format, Zeitplanung der Berechnungen), sondern auch organisatorisch: Koordination von Aktuar-, Rechnungswesen-, IT- und Einhaltung eines kritischen und regulierten Prozesses.
Die gute Nachricht ist, dass moderne Technologien – spaltenorientierte Data Warehouses, deklarative ELT-Pipelines (dbt), verteiltes Computing (Spark), Workflow-Automatisierung – sie machen es endlich möglich Erstellen Sie skalierbare, überprüfbare und schnell aktualisierbare Compliance-Systeme, wenn Vorschriften entwickeln sich weiter.
Dieser Artikel schließt die Serie ab InsurTech Engineering. Wir haben deckte den gesamten Technologie-Stack der modernen Versicherungsbranche ab: von der Domäne bis zu den Daten Modell über Cloud-natives Policenmanagement, von UBI-Telematik bis hin zu KI-Underwriting, über Schadensautomatisierung, Betrugserkennung, ACORD-Standards bis hin zur Compliance regulatorisch mit Solvency II und IFRS 17.
Serie InsurTech Engineering - Articoli Completi
- 01 - Dominio Assicurativo per Developer: Prodotti, Attori e Data Model
- 02 - Policy Management Cloud-Native: Architettura API-First
- 03 – Telematik-Pipeline: UBI-Datenverarbeitung im großen Maßstab
- 04 - AI Underwriting: Feature Engineering e Risk Scoring
- 05 - Automazione Sinistri: Computer Vision e NLP
- 06 - Fraud Detection: Graph Analytics e Behavioral Signal
- 07 - Standard ACORD e API Integration Assicurative
- 08 - Compliance Engineering: Solvency II e IFRS 17 (questo articolo)