Kasu:
- Tehisintellekti toel teha kindlaks ja tõlgendada vahet kahjustuste sageduse ja kahjustuse suuruse (raskusastme), sobivate jaotuste (Poisson, negatiivne binoom, gamma) ja liitmudeli loogika vahel.
- Ülisuurte kadude (kõrvalväärtused/suured kadud), tehisintellekti tehisintellekti trendide/arengukorrektsioonide välja sorteerimine õigete küsimuste ja andmetega.
- Oskus mõista, et tehisintellekti loodud jaotuse valik ja parameetrid peaksid olema kinnitatud sobivuse testide ja aktuaarsete arutlustega.
Kõige elementaarsem küsimus kindlustusseltsile on: "Kui palju me järgmisel aastal sellele kindlustuspoliisile kahju maksame?" Sellele küsimusele õige vastamine on eelduseks nii preemia õigeks määramiseks kui ka piisavate reservide eraldamiseks. Aktuaarid vastavad sellele küsimusele, jagades selle kaheks; sest palju täpsem on modelleerida kahte erinevat käitumist eraldi, selle asemel, et hinnata kogukahju ühes tükis. Need kaks osa on sagedus ja intensiivsus.
Sagedus (kahjustuste sagedus) on kahjustuste arv antud kokkupuute kohta; Näiteks 100 sõidukit – 8 õnnetust aastas. Raskusaste on iga tekkinud kahju keskmine suurus; näiteks 30 000 TL õnnetuse kohta. Nende kahe korrutamine annab riskipreemia: eeldatav kahjukulu kokkupuute kohta (0,08 × 30 000 = 2400 dollarit). Selles üksuses näeme samm-sammult, kuidas kasutada tehisintellekti selle eristuse tuvastamiseks, õige tõenäosusjaotuse valimiseks ja kõrvalekallete haldamiseks. Tuletame algusest peale meelde: tehisintellekt pakub jaotusi ja kirjutab koodi, kuid aktuaari ülesanne on kinnitada jaotuse valik sobivuse testide ja hinnangute abil.
Miks modelleeritakse sagedust ja intensiivsust eraldi?
Sagedus ja intensiivsus näitavad erinevat statistilist käitumist. Väidete arv on loendusmuutuja (0, 1, 2, 3...) ja seda modelleeritakse tavaliselt Poissoni jaotusega või negatiivse binoomjaotusega, kui esineb üledispersioon (dispersioon > keskmine). Poisson on klassikaline jaotus, mis modelleerib haruldaste ja sõltumatute sündmuste arvu. Kahjusumma on pidev ja paremale kalduv muutuja: enamik kahjunõudeid on väikesed, mõned nõuded on väga suured. Seetõttu modelleeritakse raskusastet sageli gamma- või lognormaaljaotusega; need on positiivsed ja parempoolsed jaotused.
Nende kahe eraldi modelleerimisel on kolm konkreetset eelist. Esiteks on näha, et igaühel on oma juhid (riskitegurid): noor juht suurendab sagedust, kallis sõiduk suurendab vägivalda. Teiseks saab andmete muutudes diagnoosida, miks: kas kahjukulu või kahjunõuete arv on suurenenud? Kolmandaks võite vägivalla poole pealt eraldi vaadelda ainult äärmuslikke suuri kaotusi. Nende kahe kombinatsiooni nimetatakse liitmudeliks; eeldatav kogukahju = eeldatav sagedus × eeldatav raskusaste.
Vihje: Lause "Meie kahju/lisatasu suhe on tõusnud" ei ütle iseenesest midagi. Eraldage küsimus, kas sagedus või intensiivsus suurenes; sekkumine (hind, kate, kahjude haldamine) oleks täiesti erinev.
Kõrvalekalded, kärpimine ja trendi korrektsioonid
Kahjuandmed toores kujul ei ole mudeli ehitamiseks valmis. Peaaegu alati on vaja kolme parandust. Esimene on äärmuslike/suurte kahjustuste sorteerimine: mõned hiiglaslikud kahjustused (nt tehase tulekahju) moonutavad keskmist; need on modelleeritud eraldi "suure kahjukoormusena". Teine on korkimine: väga suurte kahjustuste fikseerimine teatud lakke (näiteks 1 000 000 TL) ja ülemise osa eraldi arvutamine muudab mudeli stabiilseks. Kolmandaks trendi ja arengu korrigeerimine: varasemad nõuded tuleks uuendada inflatsiooniga tänasele hinnatasemele (trendile) ning veel täielikult tasumata nõuded viia lõplikule tasemele (areng — seda teemat käsitleme üksuses 3).
Järgmises tabelis võrreldakse kahe komponendi omadusi:
funktsiooni
Sagedus (sagedus)
Vägivald (summa)
Muutuv tüüp
Loendab (0,1,2...)
pidev, positiivne
Tüüpiline jaotus
Poisson, negatiivne binoom
Gamma, lognormaalne
Meisterjuhi näited
Vanus, kogemus, piirkond, kasutusala
Sõiduki väärtus, katte piirmäär, remondikulu
Kõrvaline probleem
madal
Kõrge (suured kahjustused)
Inflatsiooniefekt
nõrk
tugev
Kuidas kasutada tehisintellekti kahjustuste modelleerimisel
Tehisintellekt on kõige tugevam distributsioonivaliku arutamisel, koodi kirjutamisel ja tulemuse tõlgendamisel. Allpool on neli kopeeritavat malli.
1) Arutage levitamise valikut:
Teie roll: aktuaarse modelleerimise assistent. Mul on kindlustusnõude SUMMA andmed (anonüümsed, 1600 kahjujuhtumit). Kokkuvõte: keskmine 30 300 TL, mediaan 12 500 TL, maksimaalne 940 000 TL, kalduvus on suur. Küsimus: kas gamma või lognormaal sobiks rohkem raskusastme mudeliks? Mis on mõlema eeldus, pluss/miinus ja millise sobivuse testiga (nt Selgitage, et ma teen otsuse (Q-Q diagramm, K-S test, AIC). Lõpliku otsuse tegemine; Andke mulle võrdlusraam.
2) Sagedus-intensiivsuse arvutuskood:
Kirjutage Python + pandade abil kommenteeritud kood, mis teeb järgmised sammud: 1) Df-is on veerud „exposure”, „claim_count”, „claim_amount”. 2) Üldine sagedus = kogu nõuete_arv / kokkupuude kokku. 3) Keskmine raskusaste = nõude_summa / kogu nõuete_arv. 4) Riskipreemia = sagedus × raskusaste. 5) Printige iga vahetulemus ekraanile, et saaksin seda käsitsi kontrollida. raamatukogu sisustamine; lihtsalt kasuta pandasid.
3) Äärmusliku väärtuse / piirväärtuse analüüs:
Mul on anonüümne nõudesumma jaotus. Nõuded nagu 950 000, 720 000, 610 000 TL moodustavad 22% kogusummast. Rääkige mulle oma ülemmäärast: - Millised ülemmäära valikud on mõistlikud (nt 500 000, 750 000, 1 M)? - Kuidas lisada lõigatud osa tagasi eraldi "suure kahju koormana"? - Näidake mulle samm-sammult, kuidas see otsus riskipreemiat mõjutab.
4) Tulemuse tõlkimine ärikeelde:
Minu sagedus tõusis 0,13-lt 0,15-le; Keskmine vägivald kasvas 28 000 TL-lt 34 000 TL-ni. Võtke see kokku 4 juhile arusaadava lausega: - Mis juhtus, milline komponent kui palju suurenes? - Milline on kogumõju riskipreemiale? - Kirjutage võimalikud põhjused ja 2 eeldust, mida pean kontrollima.
Nõrk viip / Tugev viip
Nõrk viip:
Seadistage oma kahjumudel ja arvutage preemia.
Ebaselge: millised andmed, milline komponent, milline jaotus, mis periood? AI täidab selle tühimiku väljamõeldistega.
Võimas viip:
Teie roll: aktuaarse modelleerimise assistent. Andmed (anonüümsed, liiklusharu, 2024): kokkupuude 20 000 poliisiaastat, kahjunõuete arv 2 600, kogukahju 91 000 000 TL, 5 suurimat kahju kokku 12 000 000 TL. Ülesanne: 1) Arvutage sagedus ja töötlemata keskmine raskusaste, näidake valem. 2) 5 suurimat kahju Piirake see 1 000 000 TL-ni ja arvutage korrigeeritud raskusaste uuesti. 3) Võrrelge riskipreemiat ülemmääraga ja ilma, kommenteerige erinevust. 4) Kirjutage iga samm vahepealsete numbritega, et saaksin seda käsitsi kontrollida. Kasutage lihtsalt minu antud numbreid; Kui see on puudu, küsige.
kolm minikarpi
Juhtum 1 – eraldamise jõud. Üks aktuaar nägi eluasemesektori kahjumi/lisatasu suhet ühe aastaga 68 protsendilt 81 protsendini. Enne paanilise hinnatõusu soovitamist tehti vahe sageduse ja raskuse vahel: sagedus oli peaaegu konstantne (0,041 → 0,043), kuid keskmine raskusaste oli hüpanud 14 200 TL-lt 19 800 TL-le. Põhjuseks oli ehituskulude inflatsioon, mitte poliiside arv või riskantsed kliendid. Õige sekkumine oli kattesummade ajakohastamine, mitte pimepreemia suurendamine.
Juhtum 2 – äärmuslik lõks. Ettevõtluskindlustuse portfellis oli keskmiselt 1800 kahjujuhtumit 42 000 TL. Ainuüksi üks 6,4 miljoni TL suurune tulekahjukahju suurendas selle keskmise aga ligikaudu 3500 TL võrra. Kui see suur kahju modelleeriti ja piirati eraldi "suure kahjukoormusena", vähenes baasraskus 38 500 TL-ni ja lisatasu muutus õiglasemaks. AI kiiresti genereeritud piiriku kood ja alternatiivsed piirid; Otsuse tegi aktuaar.
Juhtum 3 – ebaõige levitamine. Kahtlemata käivitas assistent AI-koodi, mis valis raskusastme jaoks normaalse (Gaussi) jaotuse. Kuna normaaljaotus võimaldas negatiivseid väärtusi ja sümmeetriat, ei sobinud see paremale kaldu kahjustuste andmetele; mudel hindas väikseid kahjustusi üle ja alahindas suuri. Kui võrreldi Q-Q graafikut ja AIC-d, oli näha, et gamma sobis palju paremini. Õppetund: AI pakutud jaotust testitakse alati sobivuse testimise teel.
Levinud vead
- Sageduse ja intensiivsuse kombineerimine ning ennustamine ühe mudeliga. See peidab kahte erinevat käitumist; kaotate juhi ja miks.
- Keskmistamine ilma äärmist/suurt kahju kõrvaldamata. Mõned hiiglaslikud kahjustused moonutavad kogu pilti; lisatasu on kunstlikult paisutatud.
- Vanade kahjustuste kasutamine ilma inflatsioonitrendi rakendamata. 2019. aasta kahju ei ole sama, mis tänane hind; trendi korrigeerimine on vajalik.
- Normaaljaotuse sobitamine paremale kallutatud andmetele. Negatiivse väärtuse ja sümmeetria oletus on vastuolus kahjustuste andmetega; Mõelge gamma/lognormaalsele.
- Jaotusvalikut ei kontrollita sobivuse testimisega. AI ettepanek on algus; Kinnitage Q-Q, K-S, AIC abil.
Tähelepanu: Korki (lõikamise) taset ei valita meelevaldselt. Liiga madal lagi varjab suurte kahjustuste ohtu; liiga kõrge lagi muudab trimmi kasutuks. Valige, vaadates portfelli varasemaid suuremaid kahjusid ja edasikindlustustingimusi.
Kokkuvõttes
Kogu kahju täpseks hindamiseks on vaja jagada see sageduseks (sagedus) ja raskusastmeks (summa). Sagedus on modelleeritud Poissoni/negatiivse binoomina, intensiivsust gamma/lognormaali järgi; Riskipreemia leitakse kahe korrutamisel. Töötlemata andmed nõuavad kõrvalekallete eemaldamist, kärpimist ja trendi korrigeerimist. AI levitamise arutelu on suurepärane abiline koodide ja kommenteerimise jaoks; kuid jaotuse valikut ja ülempiiri otsust kinnitavad sobivustestid ja kindlustusmatemaatiline otsus.
Rakenduse ülesanne
Koostage anonüümne kahjukokkuvõte (kokkulepe, nõuete arv, kogukahju, 3-5 parimat nõuet). Paluge tehisintellektil arvutada (a) töötlemata sageduse ja tõsiduse riskipreemia, (b) piirata suuri kahjusid ja arvutada korrigeeritud riskipreemia. Kontrollige kahte tulemust käsitsi ja märkige üles, millise protsendi võrra ülempiir riskipreemiat muudab. Seejärel esitage tehisintellektile küsimus "vägivalla puhul gamma või lognormaalne" ja tehke selle võrdlusraamistik oma sõnadega kokku.
kontrollnimekiri
- [ ] Kas ma arvutasin sageduse ja intensiivsuse eraldi või vaatasin neid ühte tükki?
- [ ] Kas olen tuvastanud suurema/äärmise kahju ja käsitlenud seda eraldi?
- [ ] Kas olen rakendanud vanadele nõuetele inflatsiooni/trendi korrigeerimist?
- [ ] Kas ma olen kontrollinud intensiivsuse jaotust sobivuse testiga?
- [ ] Kas olen iseseisvalt riskipreemia ümber arvutanud (sagedus × raskusaste)?
- [ ] Kas ma seadsin kahtluse alla tehisintellekti soovitatud levitamise ja ülemmäära ning kinnitasin seda otsusega?