Les revendications découlant de politiques ou de portefeuilles que l`entreprise a écrites peuvent également être modélisées à l`aide de méthodes stochastiques. Cela est particulièrement important dans le secteur de l`assurance générale, où les sévérités de la revendication peuvent avoir de fortes incertitudes. Un modèle stochastique serait en mesure d`évaluer cette dernière quantité avec des simulations. Bien que le texte ci-dessus ait fait référence à des “variations aléatoires”, le modèle stochastique n`utilise pas seulement un ensemble arbitraire de valeurs. Le modèle d`actif est basé sur des études détaillées sur la façon dont les marchés se comportent, en regardant les moyennes, les variations, les corrélations, et plus encore. Pour comprendre le concept parfois confus de la modélisation stochastique, il est utile de le comparer à la modélisation déterministe. Alors que le premier produit une variété de réponses, d`estimations ou de résultats, la modélisation déterministe est le contraire. Sous la modélisation déterministe, il n`y a généralement qu`une solution, ou réponse, à un problème dans la plupart des mathématiques élémentaires. La modélisation déterministe dicte également généralement qu`il n`y a qu`un ensemble de valeurs spécifiques. Alternativement, la modélisation stochastique peut être assimilée à l`ajout de variantes à un problème mathématique complexe pour voir son effet sur la solution. Ce processus est ensuite répété de plusieurs façons différentes pour produire un certain nombre de solutions.
Cette idée est reconsidérée quand on considère les percentiles (voir percentile). Lors de l`évaluation des risques à des percentiles spécifiques, les facteurs qui contribuent à ces niveaux sont rarement à ces percentiles eux-mêmes. Les modèles stochastiques peuvent être simulés pour évaluer les percentiles des distributions agrégées. Les principes mathématiques derrière la modélisation stochastique sont complexes, donc ce n`est pas quelque chose que vous pouvez faire sur votre propre. La modélisation stochastique présente des données, ou prédit les résultats, qui sont tous responsables de certains degrés d`imprévisibilité ou de caractère aléatoire. La modélisation stochastique est utilisée dans une variété d`industries à travers le monde, dont beaucoup dépendent de ces modèles pour améliorer les pratiques commerciales ou augmenter la rentabilité. Par exemple, le secteur de l`assurance s`appuie fortement sur la modélisation stochastique pour prédire l`avenir des bilans de l`entreprise. D`autres industries et domaines d`étude qui dépendent de la modélisation stochastique incluent l`investissement boursier, les statistiques, la linguistique, la biologie, et même la physique quantique. La modélisation stochastique est le développement de modèles mathématiques pour les systèmes physiques non déterministes, qui peuvent adopter de nombreux comportements possibles à partir de n`importe quelle condition initiale donnée. Les simulations de Monte-Carlo, par exemple, consistent à explorer les différents États possibles d`un système probabiliste complexe par échantillonnage aléatoire des conditions initiales et des simulations informatiques répétées.
Ceci est utile lorsqu`une police ou un fonds fournit une garantie, par exemple un rendement de placement minimum de 5% par an. Une simulation déterministe, avec des scénarios variables pour le rendement futur des investissements, ne fournit pas un bon moyen d`estimer le coût de la fourniture de cette garantie.
