Praca magisterska z ubezpieczeń to jeden z twardszych tematów na wydziale finansów czy ekonomii. Nie dlatego, że temat jest nudny – wręcz przeciwnie. Problem polega na tym, że łączysz tutaj prawo (ustawa o działalności ubezpieczeniowej i reasekuracyjnej z 2015 r., dyrektywa Solvency II), matematykę (modele aktuarialne, symulacje Monte Carlo) i realne dane rynkowe (raporty KNF, PIU, EIOPA). Promotorzy na takich pracach mają wysokie oczekiwania i szybko wyłapują, kiedy ktoś opisuje modele, których nie rozumie.
Ten poradnik pokazuje, jak zaplanować pracę, wybrać temat, dobrać metody badawcze i napisać rozdziały tak, żeby broniła się bez niespodzianek.
Czym różni się praca z ubezpieczeń od innych prac finansowych
Większość prac finansowych opiera się na analizie sprawozdań finansowych albo danych giełdowych. Tutaj jest inaczej. Ubezpieczenia działają na danych szkodowych, które mają specyficzny rozkład statystyczny, i na rezerwach, których wycena wymaga znajomości modeli aktuarialnych.
Dochodzi do tego warstwa regulacyjna. Od 2016 r. zakłady ubezpieczeń w Polsce działają pod reżimem Solvency II (dyrektywa 2009/138/WE wdrożona ustawą z 11 września 2015 r. o działalności ubezpieczeniowej i reasekuracyjnej). Od 1 stycznia 2023 r. obowiązuje IFRS 17, który całkowicie zmienił zasady rachunkowości umów ubezpieczeniowych. Jeśli twoja praca dotyczy wyceny rezerw albo sprawozdawczości zakładów ubezpieczeń, IFRS 17 to nie jest opcjonalny kontekst – to obowiązek.
Dodaj do tego nadzór KNF, który publikuje szczegółowe dane o polskim sektorze, i masz pełen obraz: praca magisterska z ubezpieczeń wymaga poruszania się po trzech różnych dziedzinach jednocześnie.
Jak wybrać temat
Dobrze, jeśli temat jest na tyle wąski, żeby dało się go porządnie zbadać w 80-100 stronach, i na tyle aktualny, żeby promotor uznał go za sensowny. Poniżej kilka kierunków, które w tej chwili działają.
Wycena rezerw techniczno-ubezpieczeniowych. To klasyka, ale Solvency II i IFRS 17 sprawiają, że materiał jest nowy. Możesz porównać metodę „best estimate” zgodnie z EIOPA z podejściem historycznym, albo pokazać, jak zmieniły się rezerwy w konkretnym portfelu po wdrożeniu IFRS 17. Dane do analizy dasz radę wyciągnąć z raportów rocznych zakładów ubezpieczeń notowanych na GPW (PZU, Ergo Hestia przez grupę Vienna Insurance, Warta przez Talanx).
Pricing ubezpieczeń komunikacyjnych z użyciem GLM. Ubezpieczenia komunikacyjne to największy segment rynku nieżyciowego w Polsce – według danych PIU za 2024 r. stanowią około 40% składek działu II. Można zbudować model taryfowania z użyciem uogólnionego modelu liniowego (GLM) w R lub Pythonie, najczęściej z rozkładem Poissona dla częstości szkód i rozkładem gamma dla wysokości szkód. Jeśli masz dostęp do danych z jakiegokolwiek zakładu (nawet syntetycznych), temat jest bardzo konkretny.
Ocena wypłacalności pod Solvency II. Solvency Capital Requirement (SCR) to wymagana rezerwa kapitałowa. Możesz przeanalizować, jak polskie zakłady raportują SCR w SFCR (Solvency and Financial Condition Report), i ocenić, które wskaźniki najlepiej przewidują ryzyko niewypłacalności. Dane publiczne: EIOPA i KNF.
Cyber-ubezpieczenia. Relatywnie nowy segment, ale rynek rośnie szybko. Swiss Re Sigma nr 1/2023 szacował globalne składki z cyber-ubezpieczeń na ok. 12 mld USD w 2022 r. z prognozą przekroczenia 20 mld do 2025 r. Modelowanie ryzyka cybernetycznego różni się od klasycznych ryzyk – brak wystarczająco długich szeregów historycznych, problem korelacji (atak może dotknąć tysiąc firm jednocześnie). To praca bardziej koncepcyjna i przeglądowa, ale z solidnymi źródłami można ją zrobić na wysokim poziomie.
Reasekuracja i transfer ryzyka. Możesz przeanalizować, jak wybór formy reasekuracji (excess of loss vs. quota share) wpływa na stabilność wyniku technicznego i poziom SCR. Excess of loss chroni przed dużymi szkodami jednostkowymi, quota share redukuje wahania, ale ceduje więcej składki. To temat z konkretną matematyką i jasnym pytaniem badawczym.
Ubezpieczenia zdrowotne w Polsce. Rosną systematycznie – PKO Research szacował rynek prywatnych ubezpieczeń zdrowotnych w Polsce na ok. 4,5 mld zł składek w 2023 r. Można porównać modele cenowe różnych ubezpieczycieli, zbadać ryzyko selekcji negatywnej albo przeanalizować rentowność tego segmentu na podstawie danych PIU i raportów spółek.
Struktura pracy – co gdzie trafia
Standardowa praca magisterska z ubezpieczeń ma cztery lub pięć rozdziałów. Poniżej schemat, który sprawdza się w praktyce.
Rozdział 1: Podstawy teoretyczne i regulacyjne
Tutaj opisujesz rynek ubezpieczeń, jego podział (ubezpieczenia na życie – dział I, ubezpieczenia majątkowe – dział II), podstawowe pojęcia (składka, rezerwa, odszkodowanie, reasekuracja) i ramy prawne. Solvency II wymaga osobnego omówienia – dyrektywa opiera się na trzech filarach: wymogi ilościowe (Filar I), wymogi dotyczące systemu zarządzania (Filar II) i wymogi w zakresie ujawnień (Filar III). IFRS 17 tłumaczysz tylko wtedy, gdy twoja praca dotyczy sprawozdawczości.
Nie przepisuj ustawy. Wyciągnij z niej to, co jest ważne dla twojego tematu.
Rozdział 2: Metodologia
To serce pracy. Opisujesz modele, których używasz, i uzasadniasz ich wybór.
W ubezpieczeniach majątkowych częstość szkód modelujesz rozkładem Poissona (dla zdarzeń niezależnych) albo ujemnym dwumianowym (gdy wariancja przekracza wartość oczekiwaną, co w praktyce ubezpieczeniowej zdarza się często). Wysokość szkód modelujesz rozkładem lognormalnym (gdy transformacja logarytmiczna daje rozkład normalny), rozkładem Pareto (dla ciężkich ogonów, np. szkody katastroficzne) albo Weibulla (dla szkód o określonym „hazard rate”).
Do pomiaru ryzyka używasz trzech miar. VaR (Value at Risk) na poziomie ufności 99,5% to wymóg Solvency II dla SCR. CVaR (Conditional Value at Risk), znany też jako Expected Shortfall (ES), mierzy oczekiwaną stratę w tych 0,5% najgorszych scenariuszy – jest bardziej informacyjny niż VaR, bo uwzględnia kształt ogona rozkładu. ES jest spójną miarą ryzyka w sensie matematycznym, VaR nie zawsze.
Jeśli robisz symulacje, opisujesz metodę Monte Carlo: generujesz N scenariuszy (np. N = 100 000) z przyjętych rozkładów szkód, agregujesz je do łącznych strat portfela, wyznaczasz kwantyle. Do analizy porównawczej ofert możesz użyć techniki „tajemniczego klienta” lub porównania treści OWU (ogólnych warunków ubezpieczenia).
Modele kredytowe ryzyka (Bühlmann-Straub, Cramér-Lundberg) trafiają tutaj, jeśli twoja praca dotyczy wyceny składki lub analizy ruiny ubezpieczyciela. Model Cramera-Lundberga bada prawdopodobieństwo ruiny zakładu ubezpieczeń jako funkcję kapitału startowego, intensywności wpływu składek i rozkładu pojedynczych szkód. Łańcuchy Markova przydają się przy modelowaniu przejść ubezpieczonego między klasami ryzyka (np. systemy bonus-malus w komunikacyjnych) albo przy modelowaniu stanu zdrowia w ubezpieczeniach na życie.
Kredytowanie bayesowskie (Bühlmann, Bühlmann-Straub) to narzędzie do szacowania składki dla grupy ryzyka, gdy masz krótki szereg historyczny – estymator łączy dane indywidualne z parametrem kolektywnym. Jeśli piszesz o taryfowaniu, to jest to metoda, którą warto znać.
Rozdział 3: Analiza empiryczna
Tutaj działasz na danych. Źródła, które możesz legalnie i bezpłatnie wykorzystać:
- Raporty KNF: „Raport o stanie sektora ubezpieczeń” (publikowany co roku, dane zagregowane o składkach, odszkodowaniach, rezerwach, SCR, MCR)
- Dane PIU: statystyki kwartalne i roczne, podzielone na grupy ubezpieczeń, dostępne na stronie piu.org.pl
- SFCR poszczególnych zakładów: publiczne raporty Solvency II, zawierają dane o SCR, profilu ryzyka, rezerwie best estimate
- EIOPA: europejskie dane zagregowane, raporty ryzyk, stress-testy sektora
- Swiss Re Sigma: raporty tematyczne (catastroficzne, cyber, majątkowe, na życie) – dobre do kontekstu globalnego
- Munich Re NatCatSERVICE: dane o stratach z katastrof naturalnych od 1980 r
Jeśli budujesz model GLM w R, pakiet glm() obsługuje rozkłady z rodziny wykładniczej. Dla modeli mieszanych (GLMM) przydaje się lme4. W Pythonie odpowiednik to statsmodels lub scikit-learn. Wyniki prezentujesz w tabelach i wykresach, interpretujesz parametry modelu (np. wpływ wieku kierowcy, marki pojazdu, kodu pocztowego na ryzyko).
Stress-testing polega na sprawdzeniu, jak portfel reaguje na scenariusze skrajne: gwałtowny wzrost szkodowości, scenariusz katastroficzny (powódź, huragan), wzrost stóp procentowych wpływający na wartość rezerw. EIOPA co roku publikuje scenariusze stresowe dla europejskiego sektora ubezpieczeń – możesz je zaadaptować do swoich danych.
Rozdział 4: Wyniki i wnioski
Odpowiadasz na pytanie badawcze. Nie opisujesz po raz drugi metod – prezentujesz wyniki i je interpretujesz. Odnosisz je do literatury (czy twoje wyniki są zgodne z tym, co znalazł ktoś inny w podobnym badaniu?). Wskazujesz ograniczenia badania (dostępność danych, założenia modelowe, brak możliwości weryfikacji na danych zewnętrznych).
Zakończenie
Krótkie. Trzy akapity: co zbadałeś, co z tego wynika dla praktyki lub nauki, co można zrobić dalej.
Wyślij fragment tekstu, bezpłatną wycenę otrzymasz w 24 h. Poprawki bez limitu w cenie usługi.
Jak pisać o modelach, żeby brzmiało wiarygodnie
Promotorzy z wydziałów finansów i matematyki szybko wychwytują, kiedy ktoś cytuje wzory bez rozumienia ich. Kilka zasad.
Po pierwsze: zawsze podaj źródło modelu. Bühlmann-Straub to Hans Bühlmann i Erwin Straub, „Credibility for Loss Ratios”, 1970. Cramér-Lundberg to model klasyczny z 1903/1909 r. Model Poissona do szkód wprowadził do aktuariatu Filip Lundberg. Łańcuchy Markova to Andriej Markow, przełom XIX/XX w. Kiedy piszesz o modelu, wiesz, skąd pochodzi.
Po drugie: opisuj założenia, nie tylko postać matematyczną. Rozkład Poissona zakłada, że zdarzenia są niezależne i zachodzą ze stałą intensywnością lambda. W praktyce ubezpieczeniowej to często uproszczenie – szkody związane z pogodą są sezonowe, a kierowcy nie są jednorodną grupą. Dlatego w nowoczesnym taryfowaniu używa się modeli GLM z różnymi zmiennymi objaśniającymi.
Po trzecie: VaR ma znany problem. Nie mówi, jak duże są straty za ogonem rozkładu. ES (CVaR) na tym samym poziomie ufności (99,5%) daje lepszy obraz. Bazylejski Komitet Nadzoru Bankowego przeszedł z VaR na ES w Basel IV dla banków – to trend, który warto znać.
Po czwarte: jeśli robisz symulacje Monte Carlo, opisz, ile iteracji i dlaczego. 10 000 to minimum. 100 000 daje stabilniejsze wyniki dla kwantyli skrajnych. Podaj, z jakiego generatora liczb pseudolosowych korzystałeś i czy testowałeś zbieżność wyników.
Najczęstsze błędy w takich pracach
Widzę je regularnie, kiedy ktoś przynosi pracę do redakcji po pierwszym napisaniu.
Rozdział teoretyczny za długi, empiryczny za krótki. Zdarza się, że student pisze 40 stron o teorii i 15 stron o badaniu. Proporcje powinny być odwrotne albo równe. Promotor ocenia przede wszystkim to, co zrobiłeś samodzielnie.
Dane bez kontekstu. „Składki w polskim sektorze ubezpieczeń wyniosły 68 mld zł w 2023 r.” – i co z tego? Trzeba pokazać, co ta liczba oznacza, jak zmieniła się w czasie, jak porównuje się do innych krajów UE.
Model bez weryfikacji. Budujesz model GLM, ale nie sprawdzasz jego jakości predykcyjnej. Minimum to podział danych na próbę uczącą i testową, obliczenie AIC/BIC, sprawdzenie reszt.
Cytowanie wyłącznie podręczników. Podręczniki akademickie to dobra podstawa, ale promotor oczekuje też artykułów naukowych (Insurance: Mathematics and Economics, Journal of Risk and Insurance, Scandinavian Actuarial Journal) i raportów regulatorów.
Pominięcie IFRS 17 przy tematach rezerwowych. Jeśli analizujesz wycenę rezerw, a IFRS 17 zaczął obowiązywać w 2023 r., to nie wspomnieć o nim to poważna luka. Standard zmienił podejście do mierzenia rentowności umów (contractual service margin), dyskontowania zobowiązań i prezentacji w rachunku wyników.
Skąd brać dane
To jedno z pierwszych pytań, które pojawia się po wyborze tematu.
Jeśli temat dotyczy polskiego rynku, start to strona KNF (knf.gov.pl/rynek_ubezpieczen). Raporty kwartalne i roczne zawierają dane zagregowane o składkach, odszkodowaniach, rezerwach, pokryciu SCR i MCR dla wszystkich zakładów działających w Polsce. Nie dostaniesz tam danych jednostkowych, ale do analizy sektorowej wystarczy.
Dane z konkretnych zakładów znajdziesz w SFCR – każdy zakład notowany w UE publikuje go co roku. Dla PZU to kilkaset stron, ale zawiera szczegółowy profil ryzyka, bilans wg Solvency II, wymagania kapitałowe i informacje o reasekuracji. Dla pracy o jednym zakładzie to solidna baza.
PIU (piu.org.pl) publikuje statystyki o rynku ubezpieczeniowym w Polsce – podział na grupy, składki, odszkodowania, liczba polis. Dane sięgają lat 90., więc masz długi szereg historyczny.
Dla kontekstu europejskiego: EIOPA (Insurance Statistics) publikuje zharmonizowane dane dla wszystkich krajów UE. Jeśli piszesz o wypłacalności albo chcesz porównać Polskę z rynkami zachodnimi, to podstawowe źródło.
Dla tematów catastroficznych: Munich Re NatCatSERVICE to baza danych o stratach z katastrof naturalnych od 1980 r. Swiss Re Sigma publikuje co roku raport o stratach ubezpieczonych – za 2023 r. szacowali straty z katastrof na 108 mld USD.
Jeśli robisz analizę konkretnych produktów ubezpieczeniowych, możesz pobrać OWU ze stron zakładów i przeprowadzić analizę treści. To metoda jakościowa, ale w połączeniu z analizą cenową daje całkiem dobry obraz rynku.
Jak powinna wyglądać metodologia dla konkretnych tematów
Kilka konkretnych kombinacji, które dobrze grają.
Temat: wycena rezerw techniczno-ubezpieczeniowych metoda chain-ladder.
Dane: trójkąt szkód z raportów ubezpieczyciela albo syntetyczny. Metoda: chain-ladder (Mack 1993), ewentualnie bootstrap chain-ladder dla przedziałów ufności rezerwy. Porównanie z metodą best estimate z EIOPA. Wyniki: estymacja IBNR (incurred but not reported), analiza wrażliwości na parametry modelu.
Temat: analiza ryzyka portfela ubezpieczeń komunikacyjnych.
Dane: publiczne statystyki KNF i PIU, ewentualnie dane symulowane z przyjętych parametrów. Metody: rozkład Poissona dla częstości szkód, rozkład gamma lub lognormalny dla wysokości. VaR i ES na poziomie 99,5%. Symulacja Monte Carlo (N = 100 000). Taryfowanie GLM w R. Wyniki: mapa ryzyka, wymagany kapitał, analiza wrażliwości na zmianę parametrów rozkładów.
Temat: ocena wypłacalności polskich zakładów ubezpieczeń pod Solvency II.
Dane: SFCR za lata 2017-2023, raporty KNF. Metody: analiza wskaźnikowa (SCR coverage ratio, MCR coverage ratio, stosunek rezerwy best estimate do wartości bieżącej przepływów), analiza porównawcza, regresja. Wyniki: identyfikacja czynników wpływających na poziom wypłacalności, porównanie do benchmarku europejskiego (EIOPA).
Temat: cyber-ubezpieczenia – modelowanie i pricing.
Dane: raporty Swiss Re, Allianz Risk Barometer, ENISA Threat Landscape. Metody: przegląd systematyczny literatury, analiza OWU dostępnych na rynku polskim, konceptualizacja modelu szkód (problem korelacji, brak danych historycznych). Wyniki: propozycja ramy metodologicznej, identyfikacja luk w modelowaniu.
Jak napisać cel i pytania badawcze
To element, który studenci często traktują pobieżnie, a potem mają problem na obronie.
Cel musi być mierzalny i osiągalny w ramach pracy. Nie „zbadanie ryzyka w ubezpieczeniach”, tylko „ocena adekwatności kapitałowej polskich zakładów ubezpieczeń majątkowych w kontekście wymogów Solvency II na podstawie danych SFCR za lata 2019-2023”.
Pytania badawcze powinny z celu wynikać bezpośrednio. Przykład: „Czy polskie zakłady ubezpieczeń majątkowych utrzymują SCR coverage ratio powyżej 150%?” albo „Jakie czynniki statystycznie istotnie wpływają na poziom SCR coverage ratio?”.
Hipoteza (jeśli promotor jej wymaga) to stwierdzenie, które możesz zweryfikować na danych. „Zakłady należące do grup międzynarodowych wykazują wyższy poziom SCR coverage ratio niż zakłady krajowe.” Można sprawdzić – test t, Mann-Whitney, analiza grupowa.
Przed obroną
Kilka rzeczy, które warto zrobić na etapie redakcji finalnej.
Sprawdź spójność oznaczeń matematycznych. Jeśli lambda to intensywność Poissona, to nie może pojawić się w innym miejscu jako coś innego.
Weryfikuj dane w tabelach ze źródłami. Błąd liczbowy w tabeli to łatwy atak promotora lub recenzenta.
Przeczytaj wnioski i sprawdź, czy odpowiadają na pytania badawcze ze wstępu. Niespójność wstępu i zakończenia to błąd, który recenzenci wychwytują w pierwszej kolejności.
Zadbaj o listę skrótów. W pracy z ubezpieczeń będziesz mieć ich kilkadziesiąt: SCR, MCR, IBNR, GLM, VaR, ES, SFCR, KNF, PIU, EIOPA, OWU, IFRS. Lista na początku lub na końcu pracy to standard.
Upewnij się, że każdy model, który opisujesz, faktycznie stosujesz w rozdziale empirycznym albo wprost tłumaczysz, dlaczego nie (np. brak danych, zakres pracy). Promotorzy nie lubią rozbudowanego rozdziału metodologicznego, z którego połowa nie ma związku z badaniem.
Praca z ubezpieczeń i ryzyka finansowego to projekt wymagający, ale wdzięczny. Tematy są konkretne, dane dostępne (często lepiej niż w innych obszarach finansów), a metodologia ugruntowana. Jeśli zrozumiesz podstawowe modele aktuarialne i przeczytasz kilka raportów KNF i EIOPA, masz już solidny fundament pod sensowną pracę magisterską.
Jak obronić pracę z modelem aktuarialnym
Obrona pracy z ubezpieczeń wymaga osobnego przygotowania. Komisja często ma w składzie kogoś z praktycznym doświadczeniem ubezpieczeniowym albo aktualną wiedzą regulacyjną, więc pytania potrafią być szczegółowe.
Najczęściej pytają o trzy rzeczy. Po pierwsze: dlaczego wybrałeś ten model, a nie inny? Musisz znać alternatywy i umieć powiedzieć, co tracisz, wybierając uproszczenie. Jeśli używasz rozkładu Poissona, zapytają, dlaczego nie ujemny dwumianowy. Jeśli stosujesz chain-ladder, zapytają o jego założenia i ograniczenia.
Po drugie: jak interpretujesz wyniki? To nie kwestia odczytania liczb z tabeli, tylko rozumienia, co oznaczają w kontekście realnego zakładu ubezpieczeń. VaR 99,5% = 50 mln zł to konkretna informacja: w jednym przypadku na 200 lat model przewiduje stratę przekraczającą 50 mln. Czy to dużo czy mało? Zależy od wielkości portfela i kapitałów własnych zakładu.
Po trzecie: jakie są ograniczenia badania? To nie jest pytanie pułapka. Komisja ocenia dojrzałość naukową. Powiedz, że model zakłada niezależność szkód, a w praktyce katastrofy naturalne łamią to założenie. Powiedz, że dane KNF są zagregowane i nie pozwalają na analizę na poziomie polisy. To dowodzi, że rozumiesz granice swojej pracy.
Warto też przygotować kilka zdań o tym, co można zrobić dalej. Praca magisterska to wycinek, nie monografia. „W dalszych badaniach można byłoby rozszerzyć analizę o dane na poziomie indywidualnych polis, co wymagałoby współpracy z zakładem ubezpieczeń” to zdanie, które dobrze działa w dyskusji na obronie.
Kilka słów o literaturze
Podręcznikowa baza dla polskich studentów to „Matematyka ubezpieczeń na życie” Bowers i in. (klasyk, tłumaczony) oraz prace Wiesława Szymańskiego o ubezpieczeniach majątkowych. Do modelowania szkód przyda się Klugman, Panjer i Willmot „Loss Models” (Wiley) – to standardowy podręcznik na egzaminy aktuarialne w Ameryce Północnej, ale treść jest uniwersalna.
Do ryzyka finansowego: Phillipe Jorion „Value at Risk” do VaR, Rüdiger Frey i Alexander McNeil do zagadnień koherencji miar ryzyka. Do modeli stochastycznych: Sheldon Ross „Introduction to Probability Models” albo Rolski, Schmidli, Schmidt, Teugels „Stochastic Processes for Insurance and Finance”.
Artykuły naukowe szukaj w bazach: JSTOR, Springer, Elsevier. Kluczowe czasopisma: Insurance: Mathematics and Economics, Astin Bulletin, Journal of Risk and Insurance, Scandinavian Actuarial Journal. Raport EIOPA i Swiss Re Sigma to literatura szara, ale akceptowana przez większość promotorów jako źródło danych rynkowych.
Polskie akty prawne cytujesz z Dziennika Ustaw (dziennikustaw.gov.pl). Ustawa o działalności ubezpieczeniowej i reasekuracyjnej z 11 września 2015 r. ma sygnaturę Dz.U. 2015 poz. 1844 (z późn. zm.). Dyrektywa Solvency II to 2009/138/WE – pełna nazwa to Dyrektywa Parlamentu Europejskiego i Rady z dnia 25 listopada 2009 r.
Nie cytuj Wikipedii. Sprawdź, czy artykuł, który cytujesz, ma podany rok i autora – jeśli nie, szukaj dalej.
Kiedy szukać dodatkowej pomocy
Jeśli praca ma model aktuarialny i nie miałeś wcześniej zajęć z matematyki ubezpieczeń, warto skonsultować się z promotorem na etapie projektowania badania, a nie po napisaniu rozdziału empirycznego. Promotorzy z reguły preferują wcześniejszy kontakt – łatwiej skorygować metodę na początku niż tłumaczyć błąd w gotowej pracy.
Jeśli praca wymaga danych jednostkowych, których nie ma w publicznych raportach, można napisać bezpośrednio do zakładów ubezpieczeń z prośbą o udostępnienie danych do celów naukowych. Mniejsze zakłady (np. towarzystwa ubezpieczeń wzajemnych) czasem są bardziej skłonne do współpracy niż duże grupy. Dane można też uzyskać przez promotora, który ma kontakty w sektorze.
Jeśli pracujesz na danych syntetycznych (generowanych z przyjętych parametrów), wyraźnie to zaznacz. Symulacje na danych syntetycznych są metodologicznie poprawne, ale wymagają uzasadnienia doboru parametrów – najlepiej na podstawie danych rynkowych z raportów KNF czy PIU.
Problemy z korektą i redakcją tekstu technicznego – bo praca z ubezpieczeń to nie tylko wzory, ale też spójny, czysty tekst – to osobny etap, który warto zaplanować z wyprzedzeniem. Tekst pełen matematyki wymaga dokładniejszej korekty niż standardowa praca opisowa.
