Gevinster:
- At kunne etablere og fortolke skelnen mellem skadeshyppighed og skadesmængde (sværhedsgrad), passende fordelinger (Poisson, negativ binomial, gamma) og sammensat modellogik med støtte fra kunstig intelligens.
- Udsortering af ekstremt store tab (outliers/store tab), datacaping og trend-/udviklingskorrektioner til kunstig intelligens med de rigtige spørgsmål og data.
- Evne til at forstå, at udvælgelsen af distribution og parametre produceret af kunstig intelligens bør bekræftes af godhedstests og aktuarmæssige ræsonnementer.
Det mest grundlæggende spørgsmål for et forsikringsselskab er: "Hvor meget skade vil vi betale for denne policegruppe næste år?" At svare rigtigt på dette spørgsmål er en forudsætning for både at fastsætte præmien korrekt og afsætte tilstrækkelige reserver. Aktuarer besvarer dette spørgsmål ved at dele det op i to; fordi det er meget mere præcist at modellere to separate adfærd separat i stedet for at estimere den samlede skade i ét stykke. Disse to dele er frekvens og intensitet.
Frekvens (skadefrekvens) er hvor mange skader der sker pr. given eksponering; For eksempel 100 køretøjer - 8 ulykker om året. Sværhedsgrad er det gennemsnitlige beløb for hver påført skade; for eksempel 30.000 TL pr. ulykke. Multiplicering af de to giver risikopræmien: forventede skadesomkostninger pr. eksponering (0,08 × 30.000 = $2.400). I denne enhed vil vi se trin for trin, hvordan man bruger AI til at etablere denne skelnen, vælge den rigtige sandsynlighedsfordeling og administrere outliers. Lad os minde fra begyndelsen: AI foreslår distributioner og skriver kode, men det er op til aktuaren at bekræfte valget af distribution gennem goodness-of-fit-tests og bedømmelse.
Hvorfor modelleres frekvens og intensitet separat?
Frekvens og intensitet viser forskellig statistisk adfærd. Antallet af krav er en tællevariabel (0, 1, 2, 3...) og modelleres normalt med en Poisson-fordeling eller en negativ binomialfordeling, hvis der er overspredning (varians > middelværdi). Poisson er den klassiske distribution, der modellerer antallet af sjældne og uafhængige begivenheder. Erstatningsbeløbet er en kontinuerlig og højreskæv variabel: de fleste skader er små, nogle få skader er meget store. Derfor modelleres sværhedsgraden ofte med en gamma- eller lognormalfordeling; det er positive og højreskæve fordelinger.
At modellere de to separat har tre konkrete fordele. For det første kan du se, at hver især har sine egne chauffører (risikofaktorer): ung chauffør øger frekvensen, dyre køretøjer øger volden. For det andet, når dataene ændres, kan du diagnosticere hvorfor: er skadesomkostningerne eller antallet af skader steget? For det tredje kan man kun overveje ekstremt store tab separat på voldssiden. Kombinationen af disse to kaldes en sammensat model; forventet total skade = forventet hyppighed × forventet sværhedsgrad.
Tip: Sætningen "Vores tab/præmie-forhold er steget" siger ikke noget i sig selv. Adskil spørgsmålet om frekvens eller intensitet steg; intervention (pris, dækning, skadeshåndtering) ville være helt anderledes.
Outliers, trunkering og trendkorrektioner
Skadedata i dens rå form er ikke klar til modelbygning. Der kræves næsten altid tre rettelser. Den første er ekstrem/større skadessortering: nogle få kæmpeskader (f.eks. en fabriksbrand) skæver gennemsnittet; disse er modelleret som en separat "større skadesbelastning". Den anden er dækning: fastsættelse af meget store skader til et bestemt loft (for eksempel 1.000.000 TL) og beregning af den øverste del separat gør modellen stabil. For det tredje, trend- og udviklingskorrektion: tidligere krav skal opdateres med inflation til dagens prisniveau (trend), og krav, der endnu ikke er fuldt betalt, skal bringes til deres endelige niveau (udvikling - vi vil dække dette emne i enhed 3).
Følgende tabel sammenligner egenskaberne for de to komponenter:
funktion
Frekvens (frekvens)
Vold (mængde)
Variabel type
Tælling (0,1,2...)
konstant, positiv
Typisk fordeling
Poisson, negativ binomial
Gamma, lognormal
Eksempler på master driver
Alder, erfaring, region, brug
Køretøjsværdi, dækningsgrænse, reparationsomkostninger
Outlier problem
lav
Høj (større skader)
Inflationseffekt
svag
stærk
Sådan bruges AI til skadesmodellering
Der, hvor AI er stærkest, er at diskutere distributionsvalget, skrive koden og fortolke resultatet. Nedenfor er fire kopierbare skabeloner.
1) Diskuter distributionsvalg:
Din rolle: aktuarmæssig modelassistent. Jeg har data om forsikringskrav AMOUNT (anonym, 1.600 skader). Resumé: gennemsnitlig 30.300 TL, median 12.500 TL, maksimalt 940.000 TL, skævheden er høj. Spørgsmål: ville gamma eller lognormal være mere egnet til sværhedsgradsmodellen? Hvad er antagelsen for hver, plus/minus og med hvilken godhedstest (f.eks. Forklar, at jeg vil træffe en beslutning (Q-Q diagram, K-S test, AIC). Tager en endelig beslutning; Giv mig en sammenligningsramme.
2) Beregningskode for frekvens-intensitet:
Skriv en kommenteret kode med Python + pandas, der udfører følgende trin: 1) Der er 'exposure', 'claim_count', 'claim_amount' kolonner i df. 2) Generel frekvens = samlet skadeantal / samlet eksponering. 3) Gennemsnitlig sværhedsgrad = samlet skadebeløb / samlet antal krav. 4) Risikopræmie = frekvens × sværhedsgrad. 5) Udskriv hvert mellemresultat på skærmen, så jeg kan bekræfte det manuelt. Biblioteksindretning; bare brug pandaer.
3) Ekstrem værdi / cutoff analyse:
Jeg har en anonym fordeling af erstatningsbeløb. Krav såsom 950.000, 720.000, 610.000 TL udgør 22 % af det samlede beløb. Fortæl mig om din tilgang til lofter: - Hvilke loftmuligheder er rimelige (f.eks. 500K, 750K, 1M)? - Hvordan tilføjer jeg den afskårne del tilbage som en separat "større skadebelastning"? - Vis mig trin for trin, hvordan denne beslutning påvirker risikopræmien.
4) Oversættelse af resultatet til forretningssprog:
Min frekvens steg fra 0,13 til 0,15; Den gennemsnitlige vold steg fra 28.000 til 34.000 TL. Opsummer dette i 4 sætninger, som en leder kan forstå: - Hvad skete der, hvilken komponent steg med hvor meget? - Hvad er den samlede effekt på risikopræmien? - Skriv de mulige årsager og 2 antagelser, som jeg skal verificere.
Svag prompt / Stærk prompt
Svag prompt:
Opsæt min tabsmodel og beregn præmien.
Uklart: hvilke data, hvilken komponent, hvilken distribution, hvilken periode? AI udfylder dette hul med fremstilling.
Kraftig prompt:
Din rolle: aktuarmæssig modelassistent. Data (anonym, trafikgren, 2024): eksponering 20.000 policeår, antal skader 2.600, samlet skade 91.000.000 TL, de 5 største skader i alt 12.000.000 TL. Opgave: 1) Beregn frekvensen og den rå gennemsnitlige sværhedsgrad, vis formlen. 2) De 5 største skader begrænser det til 1.000.000 TL og beregn den justerede sværhedsgrad igen. 3) Sammenlign risikopræmien med og uden loft, kommenter forskellen. 4) Skriv hvert trin med mellemtal, så jeg kan verificere det manuelt. Bare brug de tal, jeg gav; Hvis det mangler, så spørg.
tre minisager
Sag 1 — Adskillelseskraften. En aktuar så tab/præmie-forholdet i boligbranchen stige fra 68 procent til 81 procent på et år. Før panikprisstigningen blev foreslået, blev der skelnet mellem frekvens og sværhedsgrad: frekvensen var næsten konstant (0,041 → 0,043), men den gennemsnitlige sværhedsgrad var hoppet fra 14.200 TL til 19.800 TL. Årsagen var inflation i byggeomkostningerne, ikke antallet af policer eller risikable kunder. Det korrekte indgreb var at opdatere dækningsbeløbene, ikke en blind præmiestigning.
Tilfælde 2 - Outlier-fælde. Gennemsnittet af 1.800 skader i en erhvervsforsikringsportefølje var 42.000 TL. Alene en enkelt brandskade på 6,4 millioner TL øgede imidlertid dette gennemsnit med cirka 3.500 TL. Da denne store skade blev modelleret og begrænset som en separat "større skadesbyrde", faldt grundalvorligheden til 38.500 TL, og præmien blev mere retfærdig. AI genererede hurtigt capping-kode og alternative caps; Aktuaren tog beslutningen.
Sag 3 — Fejlfordeling. Uden tvivl kørte en assistent en AI-kode, der valgte en normal (gaussisk) fordeling for sværhedsgrad. Fordi normalfordelingen tillod negative værdier og symmetri, passede den ikke til højreskæve skadesdata; modellen overvurderede små skader og undervurderede store. Da Q-Q plot og AIC blev sammenlignet, så man, at gamma passede meget bedre. Lektion: Den fordeling, der foreslås af AI, testes altid ved tilpasningstest.
Almindelige fejl
- Kombination af frekvens og intensitet og forudsigelse med en enkelt model. Det skjuler to forskellige adfærd; du mister chaufføren og hvorfor.
- Gennemsnitsberegning uden at eliminere ekstreme/større skader. Et par gigantiske skader forvrænger hele billedet; præmien er kunstigt oppustet.
- Brug af gamle skader uden at anvende inflationstendens. Skaden i 2019 er ikke den samme som dagens pris; trendkorrektion er nødvendig.
- Tilpasning af en normalfordeling til højreskæve data. Antagelsen om negativ værdi og symmetri er i modstrid med skadesdata; Tænk gamma/lognormal.
- Ikke at verificere distributionsvalget med tilpasningstest. AI's forslag er en begyndelse; Bekræft med Q-Q, K-S, AIC.
Bemærk: Hætteniveauet (skæring) er ikke valgt vilkårligt. For lavt loft skjuler risikoen for større skader; for højt loft gør trim ubrugelig. Vælg ved at se på porteføljens tidligere erfaring med større tab og genforsikringsbetingelser.
Sammenfattende
Måden at nøjagtigt estimere den samlede skade er at opdele den i hyppighed (frekvens) og sværhedsgrad (mængde). Frekvens er modelleret ved Poisson/negativ binomial, intensitet ved gamma/lognormal; Risikopræmien findes ved at gange de to. Rådata kræver fjernelse af outlier, trunkering og trendkorrektion. AI-distributionsdiskussion er en fremragende assistent til kode og kommentarer; men udvælgelsen af distribution og cap-beslutningen bekræftes af fittests og aktuarmæssig vurdering.
Ansøgningsopgave
Udarbejd en anonym skadesoversigt (eksponering, antal skader, total skade, top 3-5 skader). Bed AI om at beregne (a) den rå frekvens-sværhedsgrad-risikopræmie, (b) begrænse store tab og beregne den justerede risikopræmie. Bekræft de to resultater i hånden, og noter, med hvilken procentsats loft ændrer risikopræmien. Stil derefter AI'en spørgsmålet "gamma eller lognormal for vold" og opsummer den sammenligningsramme, det giver med dine egne ord.
tjekliste
- [ ] Har jeg beregnet frekvens og intensitet hver for sig, eller så jeg på dem som ét stykke?
- [ ] Har jeg identificeret større/ekstrem skade og behandlet den separat?
- [ ] Har jeg anvendt inflation/trendjustering på gamle krav?
- [ ] Har jeg verificeret intensitetsfordelingen med en godhedstest?
- [ ] Har jeg uafhængigt genberegnet risikopræmien (hyppighed × sværhedsgrad)?
- [ ] Har jeg sat spørgsmålstegn ved distributionen og loftet foreslået af AI og bekræftet det med dømmekraft?