Modelli decisionali in condizioni di incertezza e ambiguità
Componente | Categoria |
---|---|
Andrea Cinfrignini | Dottorando/Assegnista/Specializzando componente non strutturato del gruppo di ricerca |
Gabriele Stabile | Componenti strutturati del gruppo di ricerca |
Componente | Qualifica | Struttura | Categoria |
---|---|---|---|
Davide Petturiti | Professore associato | Dipartimento Economia, Università di Perugia | Altro personale aggregato Sapienza o esterni, titolari di borse di studio di ricerca |
Maria Chiarolla | Professore ordinario | Dipartimento di Scienze dell'Economia, Università del Salento. | Altro personale aggregato Sapienza o esterni, titolari di borse di studio di ricerca |
Tiziano De Angelis | Lecturer | School of Mathematics The University of Leeds, UK | Altro personale aggregato Sapienza o esterni, titolari di borse di studio di ricerca |
I componenti del gruppo di ricerca hanno lavorato in ambiti diversi enucleando (i) nuovi modelli decisionali in condizioni di incertezza, informazione parziale e ambiguità, (ii) modelli quantitativi per lo studio della solvibilità delle compagnie di assicurazioni.
Scopo del progetto è l'integrazione delle competenze dei componenti al fine di costruire modelli più flessibili, che tengano conto di informazione parziale e imprecisa.
La maggior parte dei modelli decisionali standard assumono che l'incertezza sia quantificata attraverso un'unica misura di probabilità. Tuttavia, in molte situazioni, la presenza di informazioni parziali, comporta il dover lavorare con classi di probabilità o i relativi inviluppi. In questi casi, si parla di ambiguità.
Anche l'attuale scenario legato alla pandemia, il cui impatto anche sui bilanci delle compagnie di assicurazioni deve essere ancora valutato appieno, fa riflettere su quale scenario probabilistico adottare. La molteplicità delle possibili valutazioni danno luogo a situazioni di ambiguità.
Uno degli obbiettivi della ricerca consiste nel generalizzare i modelli basati sull'utilità attesa (expected utility) e considerare come punto di partenza i modelli Choquet expected utility.
Se da un lato l'incorporazione dell'ambiguità nei modelli permette di incrementare la loro capacità espressiva, da un altro lato, il prezzo da pagare è una loro maggiore complessità. Di conseguenza, si rende necessario sviluppare degli appositi metodi numerici e computazionali efficienti.
L'obiettivo è l'elaborazione di modelli matematici per problemi inerenti lo studio della solvibilità delle compagnie di assicurazioni, la scelta di portafoglio e la quantificazione del rischio sistemico, capaci di tenere conto dell'ambiguità.